PHP 读取 docx 文件内容但保留换行符、斜体、下划线和粗体？答案

【问题标题】：PHP read docx file content but keeping line breaks, italic, underline and bold?PHP 读取 docx 文件内容但保留换行符、斜体、下划线和粗体？
【发布时间】：2016-11-18 12:03:51
【问题描述】：

我如何阅读 docx 内容，剥离所有标签但保留在下方？

粗体
斜体
下划线
新线

以下是我从其他答案中获得的代码：

//FUNCTION :: read a docx file and return the string
// http://stackoverflow.com/questions/4587216/how-can-i-convert-a-docx-document-to-html-using-php
// https://www.jackreichert.com/2012/11/how-to-convert-docx-to-html/
function readDocx($filePath) {
    // Create new ZIP archive
    $zip = new ZipArchive;
    $dataFile = 'word/document.xml';
    // Open received archive file
    if (true === $zip->open($filePath)) {
        // If done, search for the data file in the archive
        if (($index = $zip->locateName($dataFile)) !== false) {
            // If found, read it to the string
            $data = $zip->getFromIndex($index);
            // Close archive file
            $zip->close();
            // Load XML from a string
            // Skip errors and warnings
            $xml = DOMDocument::loadXML($data, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
            // Return data without XML formatting tags
            $xmldata = $xml->saveXML();
            // </w:p> is what word uses to mark the end of a paragraph. E.g.
            // <w:p>This is a paragraph.</w:p>
            // <w:p>And a second one.</w:p>
            // http://stackoverflow.com/questions/5607594/find-linebreaks-in-a-docx-file-using-php
            $xmldata = str_replace("</w:p>", "\r\n", $xmldata);
            $xmldata = str_replace("<w:i/>", "<i>", $xmldata);

            $contents = explode('\n',strip_tags($xmldata, "<i>"));
            $text = '';
            foreach($contents as $i=>$content) {
                $text .= $contents[$i];
            }
            return $text;
        }
        $zip->close();
    }
    // In case of failure return empty string
    return "";
}

$filePath = 'sample.docx';
$string = readDocx($filePath);
var_dump($string);

到目前为止，我只设法保留换行符，而不是其余的：

$xmldata = str_replace("</w:p>", "\r\n", $xmldata);
$xmldata = str_replace("<w:i/>", "<i>", $xmldata); // will get <i>Hello World <-- no closing i

有什么想法吗？

编辑：

$xmldata = preg_replace("/<w\:i\/>(.*?)<\/w\:r>/is", "<i>$1</i>", $xmldata);
$xmldata = preg_replace("/<w\:b\/>(.*?)<\/w\:r>/is", "<b>$1</b>", $xmldata);
$xmldata = preg_replace("/<w\:u (.*?)\/>(.*?)<\/w\:r>/is", "<u>$2</u>", $xmldata);

但上述解决方案存在缺陷，例如：

<w:r><w:t xml:space="preserve"><w:i/>Hello</w:t></w:r><w:r><w:t xml:space="preserve"> World</w:t></w:r>

你会注意到我正在替换 <w:i/> 和 <\/w\:r>，因为 <w:i/> 没有配对。

有更好的解决方案吗？

【问题讨论】：

标签： php domdocument docx strip-tags

【解决方案1】：

我认为不需要那些 str_repalce() 和 explode() 函数，因此我只做一个 strip_tags()：

$contents = strip_tags($xmldata, '<w:p><w:u><w:i><w:b>');

现在您确定所有需要的标签都已保留。再进一步，我们应该将<w:*>标签替换为对应的HTML标签：

$contents = preg_replace("/(<(\/?)w:(.)[^>]*>)\1*/", "<$2$3>", $contents);

我们只有名称中包含一个字符的 HTML 标记 <p>、<b>、<i>、<u>，因此捕获它们的名称就像使用 点捕获组一样简单 em>：

 (               # (1 start)
      <             # Match XML opening tag character           
      ( \/? )       # (2) Match if it is going to be an ending tag
      w:            # Literal `w:`
      ( . )         # (3) Match b,p,u,i
      [^>]* >       # Up to closing tag character
 )               # (1 end)
 \1*             # Match if latter group repeats

我必须检查相同的匹配标签\1*，因为我发现它很有可能发生。如果我们的 docx 文件包含如下三行：

粗体

斜体

正常

那么此时我们的输出类似这样：

<p><b><b>Bold</p><p><i><i>Italic</p><p>Normal</p>

但正如您所见，我们有未配对的重复标签，这根本不好。我们应该清理我们的文档。但是怎么做呢？

通过 PHP Tidy 扩展
将我们的 HTML 加载到 DOMDocument 对象中

虽然 PHP Tidy 非常适合这种工作，但我发现 DOMDocument 更适合做我们的任务：

$dom = new DOMDocument;
@$dom->loadHTML($contents, LIBXML_HTML_NOIMPLIED  | LIBXML_HTML_NODEFDTD);
$contents = $dom->saveHTML();

我们设置了两个相关的标志，因为我们不需要 HTML DOCTYPE 以及 <html>/<body> 标记。

此时我们的输出：

<p><b><b>Bold</b></b><p><i><i>Italic</i></i></p><p>Normal</p></p>

好消息是我们现在有了配对标签，但坏消息可能是我们有不必要的打开标签：

<p><b><b>Bold</b></b><p><i><i>Italic</i></i></p><p>Normal</p></p>
   ^  ^                 ^  ^

关于删除额外开始标签的有效解决方案，我写了另一个正则表达式：

$contents = preg_replace('~<([ibu])>(?=(?:\s*<[ibu]>\s*)*?<\1>)|</([ibu])>(?=(?:\s*</?[ibu]>\s*)*?</?\2>)|<p></p>~s', "", $contents);

可以在这里看到它要做什么：

 <                                  # Match an opening tag
 ( [ibu] )                          # (1) Any type except `p`
 >                                  # Up to closing character
 (?=                                # Which is immediately followed by
      (?: \s* < [ibu] > \s* )*?     # Another opening tag (or nothing)
      < \1 >                        # And then its own closing tag.
 )                                  # End of lookahead
 |                                  # Or match
 </                                 # A closing tag
 ( [ibu] )                          # (2) Any type except `p`
 >                                  # Up to closing character
 (?=                                # Which is immediately followed by
      (?: \s* </ [ibu] > \s* )*?    # Another closing tag (or nothing)
      </? \2 >                      # And then the same closing tag
 )                                  # End of lookahead
 |                                  # Or match
 <p></p>                            # Empty <p> tags

现在我们有了正确的输出：

<p><b>Bold</b><p><i>Italic</i></p><p>Normal</p></p>

把所有东西放在一起：

<?php

function readDocx($filePath) {
    // Create new ZIP archive
    $zip = new ZipArchive;
    $dataFile = 'word/document.xml';
    // Open received archive file
    if (true === $zip->open($filePath)) {
        // If done, search for the data file in the archive
        if (($index = $zip->locateName($dataFile)) !== false) {
            $data = $zip->getFromIndex($index);
            $zip->close();

            $dom = new DOMDocument;
            $dom->loadXML($data, LIBXML_NOENT
                | LIBXML_XINCLUDE
                | LIBXML_NOERROR
                | LIBXML_NOWARNING);

            $xmldata = $dom->saveXML();

            $contents = strip_tags($xmldata, '<w:p><w:u><w:i><w:b>');
            $contents = preg_replace("/(<(\/?)w:(.)[^>]*>)\1*/", "<$2$3>", $contents);

            $dom = new DOMDocument;
            @$dom->loadHTML($contents, LIBXML_HTML_NOIMPLIED  | LIBXML_HTML_NODEFDTD);
            $contents = $dom->saveHTML();

            $contents = preg_replace('~<([ibu])>(?=(?:\s*<[ibu]>\s*)*?<\1>)|</([ibu])>(?=(?:\s*</[ibu]>\s*)*?</?\2>)|<p></p>~s', "", $contents);

            return $contents;
        }
        $zip->close();
    }
    // In case of failure return empty string
    return "";
}

$filePath = 'sample.docx';
$string = readDocx($filePath);
echo $string;

【讨论】：

谢谢！但是粗体/斜体不是整个段落的内容？目前，该样式将应用于开始标记之后的整个段落。

【解决方案2】：

我有这些解决方案 - 它很丑但很有效：

        $xmldata =
                    '<w:r>
        <w:rPr>
        <w:u/>
        <w:b/>
        <w:i/>
        </w:rPr>
        <w:t>I feel that there is much to be said for the Celtic belief that the souls of those whom we have lost are held captive in some inferior being...</w:t>
        </w:r>';
        // </w:p> is what word uses to mark the end of a paragraph. E.g.
        // <w:p>This is a paragraph.</w:p>
        // <w:p>And a second one.</w:p>
        // http://stackoverflow.com/questions/5607594/find-linebreaks-in-a-docx-file-using-php
        // http://officeopenxml.com/WPtext.php
        $xmldata = str_replace("</w:p>", "\r\n", $xmldata);
        $xmldata = preg_replace("/<w\:i\/>(.*?)<w:t(.*?)>(.*?)<\/w\:t>/is", "<w:i/>$1<w:t$2><i>$3</i></w:t>", $xmldata);
        $xmldata = preg_replace("/<w\:b\/>(.*?)<w:t(.*?)>(.*?)<\/w\:t>/is", "<w:b/>$1<w:t$2><b>$3</b></w:t>", $xmldata);
        $xmldata = preg_replace("/<w\:u(.*?)\/>(.*?)<w:t(.*?)>(.*?)<\/w\:t>/is", "<w:u$1/>$2<w:t$3><u>$4</u></w:t>", $xmldata);

输出：

<u><b><i>I feel that there is much to be said for the Celtic belief that the souls of those whom we have lost are held captive in some inferior being...</i></b></u>

【讨论】：

酷！文本对齐怎么样？有什么方法可以保持居中对齐、右对齐等？谢谢！

【解决方案3】：

剥离标签不是好方法，因为使用当前的解决方案，您并没有结束格式化 - 您应该考虑改为解释 xml

您搜索的其他标签是<w:b/>（粗体）和<w:u ...>（下划线）

【讨论】：