Comment extraire du texte à partir d'un fichier word .doc,docx,.xlsx,.pptx php

Il y a peut être un scénario dont nous avons besoin pour obtenir le texte à partir de documents word pour l'avenir de l'utilisation de la recherche la chaîne de caractères dans le document téléchargé par l'utilisateur comme pour la recherche de cv (curriculum vitae) et se produit un problème commun qui comment obtenir le texte , d'Ouvrir et de lire un utilisateur de télécharger un document Word,il y a quelques liens utiles mais ne règlent pas le problème dans son entier.Nous avons besoin de mettre le texte au moment de télécharger et d'enregistrer du texte dans la base de données et nous pouvons facilement effectuer une recherche dans la base de données.

InformationsquelleAutor M Khalid Junaid | 2013-10-21
  1. 63

    Ici est une simple classe qui ne l'emploi .doc/.docx ,
    PHP docx reader: Convertir MS Word Docx texte.

        class DocxConversion{
private $filename;
public function __construct($filePath) {
$this->filename = $filePath;
}
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;
}
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 $striped_content;
}
/************************excel sheet************************************/
function xlsx_to_text($input_file){
$xml_filename = "xl/sharedStrings.xml"; //content file name
$zip_handle = new ZipArchive;
$output_text = "";
if(true === $zip_handle->open($input_file)){
if(($xml_index = $zip_handle->locateName($xml_filename)) !== false){
$xml_datas = $zip_handle->getFromIndex($xml_index);
$xml_handle = DOMDocument::loadXML($xml_datas, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
$output_text = strip_tags($xml_handle->saveXML());
}else{
$output_text .="";
}
$zip_handle->close();
}else{
$output_text .="";
}
return $output_text;
}
/*************************power point files*****************************/
function pptx_to_text($input_file){
$zip_handle = new ZipArchive;
$output_text = "";
if(true === $zip_handle->open($input_file)){
$slide_number = 1; //loop through slide files
while(($xml_index = $zip_handle->locateName("ppt/slides/slide".$slide_number.".xml")) !== false){
$xml_datas = $zip_handle->getFromIndex($xml_index);
$xml_handle = DOMDocument::loadXML($xml_datas, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
$output_text .= strip_tags($xml_handle->saveXML());
$slide_number++;
}
if($slide_number == 1){
$output_text .="";
}
$zip_handle->close();
}else{
$output_text .="";
}
return $output_text;
}
public function convertToText() {
if(isset($this->filename) && !file_exists($this->filename)) {
return "File Not exists";
}
$fileArray = pathinfo($this->filename);
$file_ext  = $fileArray['extension'];
if($file_ext == "doc" || $file_ext == "docx" || $file_ext == "xlsx" || $file_ext == "pptx")
{
if($file_ext == "doc") {
return $this->read_doc();
} elseif($file_ext == "docx") {
return $this->read_docx();
} elseif($file_ext == "xlsx") {
return $this->xlsx_to_text();
}elseif($file_ext == "pptx") {
return $this->pptx_to_text();
}
} else {
return "Invalid File Type";
}
}
}

    Document_file_format Doc fichiers sont binaires gouttes.Ils peuvent être lus en utilisant fopen.Tout .les fichiers docx sont juste des fichiers zip et les fichiers xml des fichiers xml dans une zipfile conteneur (source wikipedia) vous pouvez les lire en utilisant zip_open.

    L'utilisation de la classe ci-dessus

    $docObj = new DocxConversion("test.doc");
//$docObj = new DocxConversion("test.docx");
//$docObj = new DocxConversion("test.xlsx");
//$docObj = new DocxConversion("test.pptx");
echo $docText= $docObj->convertToText();
    • merci pour cette superbe réponse.. je suis en train d'utiliser votre code .. mais ça ne fonctionne pas ..il m'affiche vide.. et je pense que mon zip pas de travail.. u peut m'aider à trouver le problème..
    • Quelle est l'efficacité de cette classe pour lire des milliers de document? est-il lire l'intégralité du contenu à la fois ou peut lire en première page?
    • Khalid Junaid Comment lire un fichier docx avec des images ou des math type d'équation, si elle a des procédures à faire ou à la bibliothèque?
    • pour l'image, j'ai ajouté un dépôt, vous pouvez voir un exemple il y a Extract Images from Docx file pour math type d'équation je ne suis pas sûr au sujet de votre idée ou je ne reçois pas votre point de
    • stackoverflow.com/questions/29791764/... c'est exactement ce que je me pose avez-vous une idée sur ce point ?@MKhalidJunaid
    • qu'est-ce que 'xl/sharedStrings.xml fichier en xlsx à la fonction de texte ?
    • C'est travailler pour la conversion de docx fichiers de texte, mais le format de sortie de texte est modifié. De toute façon à maintenir la mise en forme aussi?
    • Cela fonctionne très bien, sauf qu'il n'extrait pas les notes de bas de page d'un document word. Des conseils sur comment je pourrais modifier ce ainsi que les notes de bas de page sont extraites et ajouté à la fin de la chaîne?
    • Grande classe! Est-il possible de modifier le read_doc fonction pour gérer l'UTF-8 / les caractères non-anglais? Merci.
    • Est-il possible de lire le texte avec des espaces et de les garder ainsi. Il permet de convertir le texte dans sa forme brute.e.g prénom: Abdullah khan Profession: Développeur. Ce qui le rend difficile à extraire uniquement les nom en utilisant des expressions régulières.
    • J'ai un problème avec cette classe. Je me demandais si quelqu'un d'autre a connu la même chose et il a obtenu de travail... stackoverflow.com/questions/44687738/...
    • travailler comme un charme. Juste une chose - je ne peux pas obtenir la numérotation automatique (liste ordonnée). Est-il possible d'effectuer cette?
    • J'ai nettoyé ce jusqu'à rendre le tout plus cohérent dans l'appellation, effacé certains code inutile et ajouté un wrapper pour l'extraction de texte à partir de fichiers PDF, lors de l'utilisation d'un 3ème partie de la bibliothèque. Le code peut être consulté dans le résumé ici: gist.github.com/nickrouty/6f5ed07e79d2223b279fc5e662264b10

    InformationsquelleAutor M Khalid Junaid
  2. 9

    De fichier DOC

    $filename = 'ypue file';         
if ( file_exists($filename) ) {        
if ( ($fh = fopen($filename, 'r')) !== false ) {
$headers = fread($fh, 0xA00);
$n1 = ( ord($headers[0x21C]) - 1 );
$n2 = ( ( ord($headers[0x21D]) - 8 ) * 256 );
$n3 = ( ( ord($headers[0x21E]) * 256 ) * 256 );
$n4 = ( ( ( ord($headers[0x21F]) * 256 ) * 256 ) * 256 );
$textLength = ($n1 + $n2 + $n3 + $n4);
$extracted_plaintext = fread($fh, $textLength);
echo nl2br($extracted_plaintext);
print_r(extract_emails_from($extracted_plaintext));    
}
}
function extract_emails_from($string) {
preg_match_all("/[\._a-zA-Z0-9-]+@[\._a-zA-Z0-9-]+/i", $string, $matches);
return $matches[0];
}

    De DOCX :

        /*Name of the document file*/
$document = 'your file';
/**Function to extract text*/
function extracttext($filename) {
//Check for extension
$ext = end(explode('.', $filename));
//if its docx file
if($ext == 'docx')
$dataFile = "word/document.xml";
//else it must be odt file
else
$dataFile = "content.xml";     
//Create a new ZIP archive object
$zip = new ZipArchive;
//Open the archive file
if (true === $zip->open($filename)) {
//If successful, search for the data file in the archive
if (($index = $zip->locateName($dataFile)) !== false) {
//Index found! Now read it to a string
$text = $zip->getFromIndex($index);
//Load XML from a string
//Ignore errors and warnings
$xml = DOMDocument::loadXML($text, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
//Remove XML formatting tags and return the text
return strip_tags($xml->saveXML());
}
//Close the archive file
$zip->close();
}
//In case of failure return a message
return "File not found";
}
echo extracttext($document);
    • Salut, ce serait formidable si certains commentaires peuvent être ajoutés au code de la rendre plus compréhensible que suis confronté à quelques problèmes de compréhension .
    InformationsquelleAutor Jumper Pot
  3. 2

    //Pour DOCX.Si vous voulez préserver les espaces blancs, aussi prendre soin de tables de tr et de tc, d'utiliser les codes ci-dessous: de le Modifier à votre goût. Cos, il télécharge le fichier à partir d'un local ou à distance 

    //=========DOCX===========
function extractDocxText($url,$file_name){
$docx = get_url($url);
file_put_contents("tempf.docx",$docx);
$xml_filename = "word/document.xml"; //content file name
$zip_handle = new ZipArchive;
$output_text = "";
if(true === $zip_handle->open("tempf.docx")){
if(($xml_index = $zip_handle->locateName($xml_filename)) !== false){
$xml_datas = $zip_handle->getFromIndex($xml_index);
//file_put_contents($input_file.".xml",$xml_datas);
$replace_newlines = preg_replace('/<w:p w[0-9-Za-z]+:[a-zA-Z0-9]+="[a-zA-z"0-9 :="]+">/',"\n\r",$xml_datas);
$replace_tableRows = preg_replace('/<w:tr>/',"\n\r",$replace_newlines);
$replace_tab = preg_replace('/<w:tab\/>/',"\t",$replace_tableRows);
$replace_paragraphs = preg_replace('/<\/w:p>/',"\n\r",$replace_tab);
$replace_other_Tags = strip_tags($replace_paragraphs);          
$output_text = $replace_other_Tags;
}else{
$output_text .="";
}
$zip_handle->close();
}else{
$output_text .=" ";
}
chmod("tempf.docx", 0777);  unlink(realpath("tempf.docx"));
//save to file or echo content
file_put_contents($file_name,$output_text);
echo $output_text;
}
//========PDF===========
//Requires installation in your Linux server
//sudo su
//apt-get install xpdf
function extractPdfText($url,$PDF_fullpath_or_Filename){
$pdf = get_url($url);
file_put_contents ("temppdf.txt", $pdf);
$content = pdf2text("temppdf.txt");
chmod("temppdf.txt", 0777); unlink(realpath("temppdf.txt"));
echo $content;
file_put_contents($PDF_fullpath_or_Filename,$content);
}
//========DOC==========
function extractDocText($url,$file_name){
$doc = get_url($url);
file_put_contents ("tempf.txt", $doc);
$fileHandle = fopen("tempf.txt", "r");
$line = @fread($fileHandle, filesize("tempf.txt"));
$lines = explode(chr(0x0D),$line);
$outtext = "";
foreach($lines as $thisline){
$pos = strpos($thisline, chr(0x00));
if (($pos !== FALSE)||(strlen($thisline)==0))
{} else {$outtext .= $thisline."\n\r";}
}
$content = preg_replace('/[a-zA-Z0-9\s\,\.\-\n\r\t@\/\_\(\)]/','  ',$outtext);
//chmod("tempf.txt", 0777); unlink(realpath("tempf.txt"));
echo $content;
file_put_contents($file_name,$content);
}
//========XLSX==========
function extractXlsxText($url,$file_name){
$xlsx = get_url($url);
file_put_contents ("tempf.txt", $xlsx);
$content = "";
$dir = 'tempforxlsx';
//Unzip
$zip = new ZipArchive();
$zip->open("tempf.txt");
$zip->extractTo($dir);
//Open up shared strings & the first worksheet
$strings = simplexml_load_file($dir . '/xl/sharedStrings.xml');
$sheet   = simplexml_load_file($dir . '/xl/worksheets/sheet1.xml');
//Parse the rows
$xlrows = $sheet->sheetData->row;
foreach ($xlrows as $xlrow) {
$arr = array();
//In each row, grab it's value
foreach ($xlrow->c as $cell) {
$v = (string) $cell->v;
//If it has a "t" (type?) of "s" (string?), use the value to look up string value
if (isset($cell['t']) && $cell['t'] == 's') {
$s  = array();
$si = $strings->si[(int) $v];
//Register & alias the default namespace or you'll get empty results in the xpath query
$si->registerXPathNamespace('n', 'http://schemas.openxmlformats.org/spreadsheetml/2006/main');
//Cat together all of the 't' (text?) node values
foreach($si->xpath('.//n:t') as $t) {
$content .= $t."  ";}   }
}
}
echo $content;
file_put_contents($file_name,$content);
}
//========PPT========== 
function extractPptText($url,$file_name){
$ppt = file_get_contents($url);
file_put_contents ("tempf.ppt", $ppt);
$fileHandle = fopen("tempf.ppt", "r");
$line = @fread($fileHandle, filesize("tempf.ppt"));
$lines = explode(chr(0x0f),$line);
$outtext = '';
foreach($lines as $thisline) {
if (strpos($thisline, chr(0x00).chr(0x00).chr(0x00)) == 1) {
$text_line = substr($thisline, 4);
$end_pos   = strpos($text_line, chr(0x00));
$text_line = substr($text_line, 0, $end_pos);
$text_line = preg_replace('/[^a-zA-Z0-9\s\,\.\-\n\r\t@\/\_\(\)]/',"  ",$text_line);
$outtext = substr($text_line, 0, $end_pos)."\n".$outtext;
}
}
//echo $outtext;
file_put_contents($file_name,$outtext);
}
//========PPTX==========
function extractPptxText($url,$file_name){
$xls = get_url($url);
file_put_contents ("tempf.txt", $xls);
$zip_handle = new ZipArchive;
$output_text = ' ';
if(true === $zip_handle->open("tempf.txt")){
$slide_number = 1; //loop through slide files
while(($xml_index = $zip_handle->locateName("ppt/slides/slide".$slide_number.".xml")) !== false){
$xml_datas = $zip_handle->getFromIndex($xml_index); //these four lines of codes
//below were
$xml_handle = new DOMDocument ();                   //added by me in order
$xml_handle->preserveWhiteSpace = true;             //to preserve space between
$xml_handle->formatOutput = true;                   //each read data
$xml_handle->loadXML($xml_datas, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
$output_text .= $xml_handle->saveXML();
$slide_number++;
}
if($slide_number == 1){
$output_text .= "";
}
$zip_handle->close();
}else{
$output_text .= "";
}
echo $output_text;
file_put_contents($file_name,$output_text);
}
/*
==========================================================================
=========================================================================
And below is get_url() function: Better than fie_get_contents();
*/
function get_url( $url,$timeout = 5 )
{
$url = str_replace( "&amp;", "&", urldecode(trim($url)) );
$ch = curl_init();
curl_setopt( $ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows; U; Windows NT 5.1; rv:1.7.3) Gecko/20041001 Firefox/0.10.1" );
curl_setopt( $ch, CURLOPT_URL, $url );
curl_setopt( $ch, CURLOPT_FOLLOWLOCATION, true );
curl_setopt( $ch, CURLOPT_ENCODING, "" );
curl_setopt( $ch, CURLOPT_RETURNTRANSFER, true );
curl_setopt( $ch, CURLOPT_AUTOREFERER, true );
curl_setopt( $ch, CURLOPT_SSL_VERIFYPEER, false );    # required for https urls
curl_setopt( $ch, CURLOPT_CONNECTTIMEOUT, $timeout );
curl_setopt( $ch, CURLOPT_TIMEOUT, $timeout );
curl_setopt( $ch, CURLOPT_MAXREDIRS, 10 );
$content = curl_exec( $ch );
//$response = curl_getinfo( $ch ); 
curl_close ( $ch );
return $content;
}
    InformationsquelleAutor FRanklinDavid
  4. 0

    Pour les documents docx, je suggère l'utilisation de docx2txt outil (au moins sur Debian/Ubuntu):

    docx2txt < your_file.docx

    README expliquer comment l'intégrer avec vim. Ajouter à votre .vimrc:

    " use docx2txt.pl to allow VIm to view the text content of a .docx file directly.
autocmd BufReadPre *.docx set ro
autocmd BufReadPost *.docx %!docx2txt

    (il explique également comment intégrer avec emacs).

    Pour les pirates, cet outil est écrit en perl.

    • Ce n'est que pour docx, pas .docs
    InformationsquelleAutor Jezz