如何使用 php 脚本计算 .doc 文件中的单词？答案

【问题标题】：How to count words from .doc file using php script?如何使用 php 脚本计算 .doc 文件中的单词？
【发布时间】：2016-10-14 07:34:54
【问题描述】：

我尝试过很多类似How to extract text from word file .doc,docx,.xlsx,.pptx php 的方法。但这不是解决方案。

我的服务器基于 Linux，因此启用 extension=php_com_dotnet.dll 不是解决方案。

另一个解决方案是在服务器上安装 LIBRE office 并将 .doc 文件即时转换为 .txt ，然后计算该文件中的单词。这是一项非常繁琐且耗时的工作。

我只需要一个简单的 php 脚本，从 .doc 文件中删除特殊字符并计算字数。

【问题讨论】：

.doc 几乎无法被任何非 Microsoft Word 软件解析。如果可能的话，我建议使用其他文件格式。
我正在开发一个 wordpress pluing 来计算文件中的单词数。这还包括 .doc 文件，因为您知道它们是广泛使用的扩展名。所以我不能忽略 .doc 文件

标签： php ms-word

【解决方案1】：

您可以尝试使用这个声称能够将.doc 和.docx 文件转换为文本格式的PHP 类。

http://www.phpclasses.org/package/7934-PHP-Convert-MS-Word-Docx-files-to-text.html

根据给出的例子，你可以这样使用它：

require("doc2txt.class.php");

$docObj = new Doc2Txt("test.docx");
//$docObj = new Doc2Txt("test.doc");

$txt = $docObj->convertToText();
echo $txt;

正如您所指出的，与许多其他库一样，该库的核心功能是这样的：

<?php

 function read_doc($filename)
 {
    $fileHandle = fopen($filename, "r");
    $line = @fread($fileHandle, filesize($filename));
    $lines = explode(chr(0x0D) , $line);
    $outtext = "";
    foreach($lines as $thisline)
        {
        $pos = strpos($thisline, chr(0x00));
        if (($pos !== FALSE) || (strlen($thisline) == 0))
            {
            }
          else
            {
            $outtext.= $thisline . " ";
            }
        }

    $outtext = preg_replace("/[^a-zA-Z0-9\s\,\.\-\n\r\t@\/_()]/", "", $outtext);
    return $outtext;
 }

 echo read_doc("sample.doc");

?>

我已经用一个 .doc 文件测试了这个函数，它似乎工作得很好。它需要对文档的最后部分进行一些修复（在输出的末尾仍然会生成一些随机文本），但是通过一些微调它可以正常工作。

编辑： 你是对的，这个函数只适用于.docx 文档（我测试的文档可能是使用相同的机制制作的）。保存带有.doc扩展名的文件，这个功能不起作用！我现在能给你的唯一帮助是 .doc binary specifications link（here 是一个更完整的文件），你可以在其中实际看到二进制结构是如何制作的并从中提取信息。我现在做不到，所以我希望其他人可以帮助你完成这个！

【讨论】：

是的，我已经测试过了。在整个堆栈流中，我都看到了相同的功能代码。但这不是工作伙伴，我可以从 .docx 文件中计算单词，但 .doc 是这里的主要问题
比我想象的要长很多，但也不是不可能！检查我上次的编辑！
希望我也可以试试这个并制作一个功能。谢谢小伙伴的帮助。如果我成功制作该功能会让您知道
@clami219 您如何进行微调以消除 read_doc() 输出末尾的随机文本？
@tholu 我实际上没有。对不起！ :(

【解决方案2】：

最后我不得不使用 Libreoffice。但是使用它非常有效。它解决了我的所有问题。

所以我的建议是在服务器上安装 libreoffice 的“HEADLESS”包并使用命令行转换

【讨论】：

请问您在命令行中获取字数/页数的命令是什么？

【解决方案3】：

我已经构建了一个工具，该工具结合了网络上和 Stack Overflow 上的各种方法，为 doc、docx、pdf 和 txt 文件提供字数、行数和页数。我希望它对人们有用。如果有人可以得到rtf 使用它，我很乐意提出拉取请求！ https://github.com/joeblurton/doccounter

【讨论】：