php - 如何使用 php 脚本计算 .doc 文件中的单词数？

Question

我试过很多东西，比如 How to extract text from word file .doc,docx,.xlsx,.pptx php .但这不是解决方案。

我的服务器是基于 Linux 的，因此启用 extension=php_com_dotnet.dll 不是解决方案。

另一种解决方案是在服务器上安装 LIBRE office 并将 .doc 文件即时转换为 .txt，然后计算该文件中的字数。这是一项非常繁琐且耗时的工作。

我只需要一个简单的 php 脚本，它可以从 .doc 文件中删除特殊字符并计算字数。

Answer 1

您可以尝试使用这个声称能够将 .doc 和 .docx 文件转换为文本格式的 PHP 类。

http://www.phpclasses.org/package/7934-PHP-Convert-MS-Word-Docx-files-to-text.html

根据给出的示例，您可以这样使用它:

require("doc2txt.class.php");

$docObj = new Doc2Txt("test.docx");
//$docObj = new Doc2Txt("test.doc");

$txt = $docObj->convertToText();
echo $txt;

正如您所指出的，与许多其他库一样，这个库的核心功能是这样的:

<?php

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

 echo read_doc("sample.doc");

?>

我已经用 .doc 文件测试了这个函数，它似乎工作得很好。它需要对文档的最后部分进行一些修复(输出末尾仍会生成一些随机文本)，但通过一些微调它可以正常工作。

编辑:你是对的，这个功能只适用于 .docx 文档(我测试的文档可能是使用相同的机制制作的)。保存一个扩展名为.doc的文件，这个功能不起作用!我现在能给你的唯一帮助是 . doc binary specifications link (here 是一个更完整的文件)，您可以在其中实际查看二进制结构的制作方式并从中提取信息。我现在做不到，所以我希望其他人可以帮助您解决这个问题!