web-dev-qa-db-ja.com

docおよびdocxからテキストを抽出します

Docまたはdocxの内容を読み取る方法を知りたいのですが。 Linux VPSとPHPを使用していますが、他の言語を使用したより簡単な解決策がある場合は、Linux Webサーバーで動作する限り、お知らせください。

phplinuxvpsdocxdoc
14
Alexandre Mota

これは.DOCXソリューションのみです。 .DOCまたは.PDFの場合は、PDFの場合は pdf2text.php のような他のものを使用する必要があります。

function docx2text($filename) {
   return readZippedXML($filename, "Word/document.xml");
 }

function readZippedXML($archiveFile, $dataFile) {
// Create new Zip archive
$Zip = new ZipArchive;

// Open received archive file
if (true === $Zip->open($archiveFile)) {
    // 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 = new DOMDocument();
    $xml->loadXML($data, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
        // Return data without XML formatting tags
        return strip_tags($xml->saveXML());
    }
    $Zip->close();
}

// In case of failure return empty string
return "";
}

echo docx2text("test.docx"); // Save this contents to file
15
no_freedom

ここに、。doc、.docxWordファイルからテキストを取得するためのソリューションを追加しました

Wordファイル.doc、docx phpからテキストを抽出する方法

.docの場合

private function read_doc() {
    $fileHandle = fopen($this->filename, "r");
    $line = @fread($fileHandle, filesize($this->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;
}

.docxの場合

private function read_docx(){

        $striped_content = '';
        $content = '';

        $Zip = Zip_open($this->filename);

        if (!$Zip || is_numeric($Zip)) return false;

        while ($Zip_entry = Zip_read($Zip)) {

            if (Zip_entry_open($Zip, $Zip_entry) == FALSE) continue;

            if (Zip_entry_name($Zip_entry) != "Word/document.xml") continue;

            $content .= Zip_entry_read($Zip_entry, Zip_entry_filesize($Zip_entry));

            Zip_entry_close($Zip_entry);
        }// end while

        Zip_close($Zip);

        $content = str_replace('</w:r></w:p></w:tc><w:tc>', " ", $content);
        $content = str_replace('</w:r></w:p>', "\r\n", $content);
        $striped_content = strip_tags($content);

        return $striped_content;
    }
13
M Khalid Junaid

。docx、.odt、.doc、.rtfドキュメントを解析

ここや他の場所での回答に基づいて、docx、odt、およびrtfドキュメントを解析するライブラリを作成しました。

.docxおよび.odtの解析に加えた主な改善点は、ライブラリがドキュメントを説明するXMLを処理し、それをHTMLタグemおよびstrongタグ。これは、CMSにライブラリを使用している場合、テキストの書式設定が失われないことを意味します

あなたはそれを得ることができます ここ

7
Luke Madhanga

私の解決策は Antiword for .docおよび docx2txt for .docx

制御しているLinuxサーバーを想定して、それぞれをダウンロードし、抽出してからインストールします。私はそれぞれをシステム全体にインストールしました：

アンチワード：make global_install
docx2txt：make install

次に、これらのツールを使用して、テキストをphpの文字列に抽出します。

//for .doc
$text = Shell_exec('/usr/local/bin/antiword -w 0 ' . 
    escapeshellarg($docFilePath));

//for .docx
$text = Shell_exec('/usr/local/bin/docx2txt.pl ' . 
    escapeshellarg($docxFilePath) . ' -');

docx2txtにはPerlが必要です

no_freedomのソリューションは、docxファイルからテキストを抽出しますが、空白を削除することができます。私がテストしたほとんどのファイルには、分離する必要のある単語の間にスペースがない場合がありました。処理中のドキュメントを全文検索する場合は適切ではありません。

6
chiptuned

ApachePOI を試してください。 Javaでうまく機能します。 LinuxにJavaをインストールするのに問題はないと思います。

1
Lalaka

Docxtotxtを使用してdocxファイルのコンテンツを抽出しました。私のコードは次のとおりです。

if($extention == "docx")
{   
    $docxFilePath = "/var/www/vhosts/abc.com/httpdocs/writers/filename.docx";
    $content = Shell_exec('/var/www/vhosts/abc.com/httpdocs/docx2txt/docx2txt.pl     
    '.escapeshellarg($docxFilePath) . ' -');
}
0
Mohini

Apache Tikaを、それが提供する完全なソリューションとして使用できますREST API。

もう1つの優れたライブラリは RawText です。これは、画像に対してOCRを実行し、任意のドキュメントからテキストを抽出できるためです。これは無料ではなく、REST APIで機能します。

RawTextを使用してファイルを抽出するサンプルコード：

$result = $rawText->extract($your_file)
0
Ilya P

Docからtxtへのコンバーター機能に少し改善を挿入します

private function read_doc() {
    $line_array = array();
    $fileHandle = fopen( $this->filename, "r" );
    $line       = @fread( $fileHandle, filesize( $this->filename ) );
    $lines      = explode( chr( 0x0D ), $line );
    $outtext    = "";
    foreach ( $lines as $thisline ) {
        $pos = strpos( $thisline, chr( 0x00 ) );
        if (  $pos !== false )  {

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

        }
    }

    return implode("\n",$line_array);
}

これで空の行が保存され、txtファイルは行ごとに表示されます。

0
kadutskyi