PHP读取doc,docx,xls,pdf,txt内容

我的一个客户有这样的需求:上传文件,可以是doc,docx,xls,pdf,txt格式,现需要用php读取这些文件的内容,然后计算文件里面字数.

1.PHP读取DOC格式的文件

PHP没有自带读取word文件的类,或者是库,这里我们使用 antiword ( http://www.winfield.demon.nl/ )这个包来读取doc文件.

首先介绍一下如何在windows下使用:

1.打开 http://www.winfield.demon.nl/ (antiword下载页面),找到对应的windows版本( http://www.winfield.demon.nl/#Windows ),下载 antiword windows版本 ( antiword-0_37-windows.zip );

2.将下载下来的文件解压到C盘根目录下;

这里还有一点需要注意的: http://www.informatik.uni-frankfurt.de/~markus/antiword/00README.WIN 这个连接里有windows下安装的说明文件.

需要设置环境变量,我的电脑(右键)->高级->环境变量->在上面的用户变量里新建一个

变量名:HOME

变量值:c:\home这个目录应该是存在的,如果不存在就在C盘下创建一个home文件夹.

然后在系统变量,修改Path,在Path变量的值最前面加上%HOME%\antiword.

3.开始->运行->CMD 进入到antiword目录;

输入 antiword -h 看看效果.

4.然后我们使用antiword –t 命令读取一下doc文件内容;首先复制一个doc文件到c:\antiword目录,然后执行

>antiword –t 文件名.doc

就可以看到屏幕上输出word文件的内容了.

可能你会问了,这和PHP读取word有什么关系呢?呵呵,别急,我们来看看如何在PHP里使用这个命令.

<?php

$file = “D:\xampp\htdocs\word_count\uploads\doc-english.doc”;

$content = shell_exec(“c:\antiword\antiword –f $file”);

?>

这样就把word里面的内容读取content里面了.

至于如何在Linux下读取doc文件内容,就是下载linux版本的压缩包,里面有readme.txt文件,按照那种方式安装就可以了.

$content = shell_exec ( "/usr/local/bin/antiword -f $file" );

2.PHP读取PDF文件内容

php也没有专门用来读取pdf内容的类库.这样我们采用第三方包( xpdf ).还是先做windows下的操作,下载,将其解压到C盘根目录下.

开始->运行->cmd->cd /d c:\xpdf

<?php

$file = “D:\xampp\htdocs\word_count\uploads\pdf-english.pdf”;

$content = shell_exec ( "c:\\xpdf\\pdftotext $file -" );

?>

这样就可以把pdf文件的内容读取到php变量里了.

Linux下的安装方法也很简单这里就不在一一列出

<?php

$content = shell_exec ( "/usr/bin/pdftotext $file -" );

?>

3.PHP读取ZIP文件内容

首先使用PHP zip解压zip文件,然后读取解压包里的文件,如果是word就采用antiword读取,如果是pdf就使用xpdf读取.

<?php

/**

* Read ZIP valid file 

* 

* @param string $file file path 

* @return string total valid content 

*/ 

function ReadZIPFile($file = '') { 

$content = ""; 

$inValidFileName = array (); 

$zip = new ZipArchive ( ); 

if ($zip->open ( $file ) === TR ) { 

for($i = 0; $i < $zip->numFiles; $i ++) { 

$entry = $zip->getNameIndex ( $i ); 

if (preg_match ( '#\.(txt)|\.(doc)|\.(docx)|\.(pdf)$#i', $entry )) { 

$zip->extractTo ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ), array ( 

$entry 

) ); 

$content .= CheckSystemOS ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) . "/" . $entry ); 

} else { 

$inValidFileName [$i] = $entry; 

} 

} 

$zip->close (); 

rrmdir ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) ); 

/*if (file_exists ( $file )) { 

unlink ( $file ); 

}*/ 

return $content; 

} else { 

return ""; 

} 

}

?>

4.PHP读取DOCX文件内容

docx文件其实是由很多XML文件组成,其中内容就存在于word/document.xml里面.

我们找到一个docx文件,使用zip文件打开(或者把docx后缀名改为zip,然后解压)

在word目录下有document.xml

docx文件的内容就存在于document.xml里面,我们读取这个文件就可以了.

<?php

/**

* Read Docx File 

* 

* @param string $file filepath 

* @return string file content 

*/ 

function parseWord($file) { 

$content = ""; 

$zip = new ZipArchive ( ); 

if ($zip->open ( $file ) === tr ) { 

for($i = 0; $i < $zip->numFiles; $i ++) { 

$entry = $zip->getNameIndex ( $i ); 

if (pathinfo ( $entry, PATHINFO_BASENAME ) == "document.xml") { 

$zip->extractTo ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ), array ( 

$entry 

) ); 

$filepath = pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) . "/" . $entry; 

$content = strip_tags ( file_get_contents ( $filepath ) ); 

break; 

} 

} 

$zip->close (); 

rrmdir ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) ); 

return $content; 

} else { 

return ""; 

} 

}

?>

如果想要通过PHP创建docx文件,或者是把docx文件转为xhtml,pdf可以使用phpdocx,( http://www.phpdocx.com/ )

5.PHP读TXT

直接使用PHP file_get_content函数就可以了.

<?php

$file = “D:\xampp\htdocs\word_count\uploads\eng.txt”;

$content = file_get_content($file);

?>

6.PHP读EXCEL

http://phpexcel.codeplex.com/

现在只是读取文件内容了,怎么计算单词的个数呢?

PHP有一个自带的函数,str_word_count,这个函数可以计算出单词的个数,但是如果要计算antiword读取出来的doc文件的单词个数就会很大的误差.

这里我们使用以下这个函数专门用来读取单词个数

<?php

/**

* statistic word count 

* 

* @param string $content word content of the file 

* @return int word count of the content 

*/ 

function StatisticWordsCount($text = '') { 

//    $text = trim ( preg_replace ( '/\d+/', ' ', $text ) ); // remove extra spaces 

$text = str_replace ( str_split ( '|' ), '', $text ); // remove these chars (you can specify more) 

//    $text = str_replace ( str_split ( '-' ), '', $text ); // remove these chars (you can specify more) 

$text = trim ( preg_replace ( '/\s+/', ' ', $text ) ); // remove extra spaces 

$text = preg_replace ( '/-{2,}/', '', $text ); // remove 2 or more dashes in a row 

$len = strlen ( $text ); 

if (0 === $len) { 

return 0; 

} 

$words = 1; 

while ( $len -- ) { 

if (' ' === $text [$len]) { 

++ $words; 

} 

} 

return $words; 

}

?>

详细的代码如下:

<?php

/** 

* check system operation win or linux 

* 

* @param string $file contain file path and file name 

* @return file content 

*/ 

function CheckSystemOS($file = '') { 

$content = ""; 

//    $type = s str ( $file, strrpos ( $file, '.' ) + 1 ); 

$type = pathinfo ( $file, PATHINFO_EXTENSION ); 

//    global $UNIX_ANTIWORD_PATH, $UNIX_XPDF_PATH; 

if (strtoupper ( s str ( PHP_OS, 0, 3 ) ) === 'WIN') { //this is a server using windows 

switch (strtolower ( $type )) { 

case 'doc' : 

$content = shell_exec ( "c:\\antiword\\antiword -f $file" ); 

break; 

case 'docx' : 

$content = parseWord ( $file ); 

break; 

case 'pdf' : 

$content = shell_exec ( "c:\\xpdf\\pdftotext $file -" ); 

break; 

case 'zip' : 

$content = ReadZIPFile ( $file ); 

break; 

case 'txt' : 

$content = file_get_contents ( $file ); 

break; 

} 

} else { //this is a server not using windows 

switch (strtolower ( $type )) { 

case 'doc' : 

$content = shell_exec ( "/usr/local/bin/antiword -f $file" ); 

break; 

case 'docx' : 

$content = parseWord ( $file ); 

break; 

case 'pdf' : 

$content = shell_exec ( "/usr/bin/pdftotext $file -" ); 

break; 

case 'zip' : 

$content = ReadZIPFile ( $file ); 

break; 

case 'txt' : 

$content = file_get_contents ( $file ); 

break; 

} 

} 

/*if (file_exists ( $file )) { 

@unlink ( $file ); 

}*/ 

return $content; 

}

/**

* statistic word count 

* 

* @param string $content word content of the file 

* @return int word count of the content 

*/ 

function StatisticWordsCount($text = '') { 

//    $text = trim ( preg_replace ( '/\d+/', ' ', $text ) ); // remove extra spaces 

$text = str_replace ( str_split ( '|' ), '', $text ); // remove these chars (you can specify more) 

//    $text = str_replace ( str_split ( '-' ), '', $text ); // remove these chars (you can specify more) 

$text = trim ( preg_replace ( '/\s+/', ' ', $text ) ); // remove extra spaces 

$text = preg_replace ( '/-{2,}/', '', $text ); // remove 2 or more dashes in a row 

$len = strlen ( $text ); 

if (0 === $len) { 

return 0; 

} 

$words = 1; 

while ( $len -- ) { 

if (' ' === $text [$len]) { 

++ $words; 

} 

} 

return $words; 

}

/**

* Read Docx File 

* 

* @param string $file filepath 

* @return string file content 

*/ 

function parseWord($file) { 

$content = ""; 

$zip = new ZipArchive ( ); 

if ($zip->open ( $file ) === tr ) { 

for($i = 0; $i < $zip->numFiles; $i ++) { 

$entry = $zip->getNameIndex ( $i ); 

if (pathinfo ( $entry, PATHINFO_BASENAME ) == "document.xml") { 

$zip->extractTo ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ), array ( 

$entry 

) ); 

$filepath = pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) . "/" . $entry; 

$content = strip_tags ( file_get_contents ( $filepath ) ); 

break; 

} 

} 

$zip->close (); 

rrmdir ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) ); 

return $content; 

} else { 

return ""; 

} 

}

/**

* Read ZIP valid file 

* 

* @param string $file file path 

* @return string total valid content 

*/ 

function ReadZIPFile($file = '') { 

$content = ""; 

$inValidFileName = array (); 

$zip = new ZipArchive ( ); 

if ($zip->open ( $file ) === TR ) { 

for($i = 0; $i < $zip->numFiles; $i ++) { 

$entry = $zip->getNameIndex ( $i ); 

if (preg_match ( '#\.(txt)|\.(doc)|\.(docx)|\.(pdf)$#i', $entry )) { 

$zip->extractTo ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ), array ( 

$entry 

) ); 

$content .= CheckSystemOS ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) . "/" . $entry ); 

} else { 

$inValidFileName [$i] = $entry; 

} 

} 

$zip->close (); 

rrmdir ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) ); 

/*if (file_exists ( $file )) { 

unlink ( $file ); 

}*/ 

return $content; 

} else { 

return ""; 

} 

}

/**

* remove directory 

* 

* @param string $dir path dir 

*/ 

function rrmdir($dir) { 

if (is_dir ( $dir )) { 

$objects = scandir ( $dir ); 

foreach ( $objects as $object ) { 

if ($object != "." && $object != "..") { 

if (filetype ( $dir . "/" . $object ) == "dir") { 

rrmdir ( $dir . "/" . $object ); 

} else { 

unlink ( $dir . "/" . $object ); 

} 

} 

} 

reset ( $objects ); 

rmdir ( $dir ); 

} 

}

//调用方法

$file = “D:\xampp\htdocs\word_count\uploads\pdf-german.zip”;

$word_number = StatisticWordsCount ( CheckSystemOS ( $file) );

?>

http://www.it300.com/article-15290.html