如何计算 docx/odt(rtf) 文件中带空格的字符？答案

【问题标题】：How to count characters with spaces in docx/odt(rtf) files?如何计算 docx/odt(rtf) 文件中带空格的字符？
【发布时间】：2015-06-05 21:23:19
【问题描述】：

有什么方法可以在线（意味着作为上传表单的一部分，因此在 php/javasctipt 中）获取 DOCX 和 ODT 中保存的文档空格的字符数（如果可能，还有 RTF）？我的意思是，要获得与 Words 统计信息中显示的相同的字符数？

我知道，这个词已将<characters> 存储在他的app.xml 文件中，但这并不准确，可能没有空格或者我不太清楚。

我尝试过简单地做到这一点 - 打开 xmls，计算字符并获取它的值，但问题是，这种方式既不准确，请参阅我的代码：

$document = 'cvicnytext2.docx';

function extracttext($filename) {
    //Check for extension
    $ext = explode(".", $filename);
    $ext = end($ext);

    //if its docx file
    if($ext == 'docx')
    $dataFile = "word/document.xml";
    else
    $dataFile = "content.xml";     

    $zip = new ZipArchive;

    // Open the archive file
    if (true === $zip->open($filename)) {
        if (($index = $zip->locateName($dataFile)) !== false) {
            $text = $zip->getFromIndex($index);
            $xml = new DOMDocument();
            $xml->loadXML($text, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
            return strip_tags($xml->saveXML());
        }
        $zip->close();
    }
    return "File not found";
}

$length = strlen( utf8_decode( extracttext($document) ) );
echo "Length: ". $length."(chars with spaces).";

例如，如果我上传 file 我的代码 76015 字符，但 Word 显示 76113 所以某处丢失了一百个。

有人知道如何使它更精确吗？我们将不胜感激。

更多更新

我发现在以下方面没有太大区别：用于计算长度的函数 - mb_strlen( $text ) 和 strlen( utf8_decode( $text ))

但可能导致问题的原因是读取 zip 文件会导致一些麻烦 - 在字符串前后添加空格并添加一些未打印但被计算在内的字符。任何的想法？如果我将相同的文本直接复制/粘贴到计数函数中，它可以正常工作...

【问题讨论】：

标签： php character rtf docx odt

【解决方案1】：

如果您不想深入了解 ODF 或 OOXML 标准的细节，我相信您的方法基本上是唯一可用的方法。

要获得准确的计数，您首先需要删除“未打印”但可能包含一些文本的节点，例如图像和对象的标题和描述......

如果您编写一个递归函数，该函数通过 nodeValue 为每个节点获取内容并修剪结果，但仍会考虑“某些节点中的不可打印文本”，您可能会有轻微的改进

【讨论】：