Wie extrahiere ich Text aus Microsoft Office-Dokumenten (.doc, .docx, .xlsx, .pptx) in PHP?

Extrahieren von Text aus Microsoft Office-Dokumenten in PHP (.doc, .docx, .xlsx, .pptx)

Einführung

Häufig besteht die Notwendigkeit, Text aus Microsoft Office-Dokumenten wie Word-, Excel- oder PowerPoint-Dateien zu extrahieren. Dies kann für verschiedene Zwecke von entscheidender Bedeutung sein, beispielsweise für die Suche nach bestimmten Schlüsselwörtern oder die Indizierung von Dokumentinhalten. Diese Aufgabe kann jedoch aufgrund der unterschiedlichen Dateiformate, die von diesen Anwendungen verwendet werden, eine Herausforderung darstellen.

Doc- und Docx-Dateien

Doc- und Docx-Dateien sind Word-Dokumentformate. Doc-Dateien sind binäre Blobs, während docx-Dateien im Wesentlichen ZIP-Archive sind, die XML-Dateien enthalten. Um Text aus diesen Dateitypen zu extrahieren, können wir die folgenden Methoden nutzen:

Für .doc-Dateien können wir fopen verwenden, um die Datei zu lesen und die Binärdaten zu bearbeiten, um den Text abzurufen Inhalt.

Für .docx-Dateien können wir die Funktion zip_open verwenden, um die Datei „word/document.xml“ zu extrahieren. Diese XML-Datei enthält den formatierten Text des Dokuments, den wir von Tags befreien und abrufen können.

Xlsx-Dateien

Xlsx-Dateien, die von Microsoft Excel verwendet werden, sind ebenfalls vorhanden zip-Archive. Die Schlüsseldatei zum Extrahieren von Text aus diesen Dateien ist „xl/sharedStrings.xml“. In dieser XML-Datei wird der eigentliche Textinhalt gespeichert. Um auf diese Datei zuzugreifen, können wir erneut zip_open verwenden, den Dateiinhalt extrahieren und alle XML-Tags entfernen.

Pptx-Dateien

Pptx-Dateien, die von Microsoft PowerPoint verwendet werden, Befolgen Sie außerdem das Zip-Archivformat. Wir müssen die Dateien „ppt/slides/slideX.xml“ extrahieren, wobei X die Foliennummer darstellt, und den XML-Inhalt verarbeiten, um den Text abzurufen.

Fazit

Durch die Kombination der oben beschriebenen Techniken und die Verwendung der bereitgestellten PHP-Klasse DocxConversion können wir Text effektiv aus .doc-, .docx-, .xlsx- und .pptx-Dateien extrahieren. Diese Funktion ermöglicht eine breite Palette von Datenanalyse- und Dokumentenverarbeitungsaufgaben.

Das obige ist der detaillierte Inhalt vonWie extrahiere ich Text aus Microsoft Office-Dokumenten (.doc, .docx, .xlsx, .pptx) in PHP?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!