让 PHP 在 Linux 上读取 .doc 文件答案

【问题标题】：Getting PHP to read .doc files on Linux让 PHP 在 Linux 上读取 .doc 文件
【发布时间】：2008-09-18 05:48:45
【问题描述】：

我正在尝试将 .doc 文件读入数据库，以便可以索引它的内容。 Linux 上的 PHP 是否有一种简单的方法来读取 .doc 文件？如果做不到这一点，是否可以将 .doc 文件转换为 rtf、pdf 或其他易于阅读的“开放”格式？

注意，我对 .docx 文件不感兴趣。

【问题讨论】：

【解决方案1】：

Conor，我建议查看 OpenOffice 命令行界面/调用宏。它可以将许多文件格式转换为许多其他格式。然后你可以选择比 MS doc 更容易解析的东西。

例如，要转换为 PDF，命令行是：

/usr/lib/ooo-2.0/program/soffice.bin -norestore -nofirststart -nologo -headless -invisible   "macro:///Standard.Module1.SaveAsPDF(demo.doc)"

【讨论】：

嘿，这是一个很好的提示：你有指向其他类似宏的参考链接吗？

【解决方案2】：

似乎有一个library for accessing Word documents，但不确定如何从 PHP 访问它。我认为最好的解决方案是从 PHP 调用他们的wv command。

【讨论】：

这看起来很理想。我需要在一些文档上对其进行测试，但到目前为止 wvText 函数似乎可以满足我的需求。

【解决方案3】：

phpLiveDocx 是一个 Zend Framework 组件，可以在 Linux、Windows 和 Mac 上用 PHP 读写 DOC 和 RTF 文件。此外，您可以使用它来生成 PDF 文件，甚至可以将 PHP 中的数据合并到使用 MS Word 或 Open Office 创建的模板文件中！

查看项目网站：

http://www.phplivedocx.org

【讨论】：

【解决方案4】：

您可以使用antiword 或AbiWord 提取文本并将其提供给您最喜欢的全文索引器。 AbiWord 可能更适合您的目的，因为它可以转换为 RTF、PDF 和其他格式（是的，它是一个 GUI 文字处理器，但它也支持命令行使用）。

【讨论】：

【解决方案5】：

我在 Ubuntu 中发现了一个 unoconv 包。它在 OpenOffice 支持的所有格式之间进行转换。您应该可以在 php 中使用 exec 来运行此实用程序。

【讨论】：

【解决方案6】：

它不是 PHP，但有一个 doc2rtf 实用程序可供您使用。从那里您可以将 RTF 文件作为文本文档打开，编写一些字符串替换例程来删除 RTF 格式代码，并获得适合索引的文本。

或者，您可以获取 OpenOffice 并打开 MS Word 文档，然后只需文件 > 另存为 > RTF。

【讨论】：

【解决方案7】：

DOC 文件以二进制格式存储，没有任何纯 php 编写的类来处理它们。

RTF 文件更容易解析，主要是文本，您可以使用 fopen 打开它们并阅读内容。

如果可以的话，我建议使用 RTF，因为目前还没有针对 DOC 文件的可靠解决方案。

【讨论】：

【解决方案8】：

经过几天的搜索，这是我最好的解决方案： http://wvware.sourceforge.net/

安装包

sudo apt-get install wv

在 PHP 中使用它：

$output = str_replace('.doc', '.txt', $filename);
shell_exec('/usr/bin/wvText ' . $filename . ' ' . $output);
$text = file_get_contents($output);
# Convert to UTF-8 if needed
if(!mb_detect_encoding($text, 'UTF-8', true))
{
    $text = utf8_encode($text);
}
unlink($output);

【讨论】：