file_get_contents() 为上传的 word 文档返回无效字符答案

【问题标题】：file_get_contents() returning invalid characters for uploaded word documentfile_get_contents() 为上传的 word 文档返回无效字符
【发布时间】：2013-05-23 11:44:47
【问题描述】：

我正在尝试从上传的文本文件中获取前 1,000 个字符。我在做：

if($file->simpletype=="document"){
    //get first 1000 chars in here
    $snippet = file_get_contents($_FILES['upload']['tmp_name'], false, null, -1, 1000);
    file_put_contents('/var/www/my_logs/log.log', $snippet);
    $file->snippet = $snippet;
}

这适用于 .txt 文件，我可以使用 gedit 打开和读取 log.log 文件。但是，对于 .doc、.docx、.odt 和 .pdf 文件，file_get_contents() 会返回诸如此类的乱码：PK\00\00\00\

我尝试了在 stackoverflow 上找到的另一种解决方案：

function file_get_contents_utf8() {
    $content = file_get_contents($_FILES['upload']['tmp_name'], false, null, -1, 1000);
    return mb_convert_encoding($content, 'UTF-8',
             mb_detect_encoding($content, 'UTF-8, ISO-8859-1', true));
}

但我得到了相同的结果。有任何想法吗？谢谢！

【问题讨论】：

你期待什么？这些是二进制文件。
如果您尝试在文本编辑器中打开完整文件，您会遇到同样的问题。它们不是开始的文本文件，所以如果你只取前 1000 行，就不会突然看起来像它

标签： php character-encoding

【解决方案1】：

您正在尝试从不使用纯文本格式的文件中读取文本。

要阅读 doc/docx 文件，您需要使用 PHPDocx 或 http://phpword.codeplex.com 之类的工具。

解析PDF请参考this question的回答。

【讨论】：

【解决方案2】：

这永远不会适用于非纯文本文件。您需要先从 doc/pdf/odt 文档中获取纯文本，然后才能操作该文本。只需在记事本等简单的文本编辑器中打开这些文档中的任何一个，然后查看其内容。

对于 Word 文档，您可以以 http://phpword.codeplex.com/ 开头。还要寻找可用于从这些文件中提取内容的其他库。

【讨论】：