Word や Office ドキュメントからテキストを抽出する方法: シンプルで効率的な解決策?

Word および Office ドキュメントからテキストを抽出する方法:

ユーザーがアップロードした Word ドキュメントからテキストを取得することは、キーワード検索やデータ分析。ここでは、さまざまな Microsoft Office 形式のファイルからテキストを抽出する効率的なソリューションを紹介します。

DOCX/DOC:

PHP Docx Reader: このライブラリを直接追加の依存関係なしで DOCX ファイルをテキストに変換します。

XLSX/PPTX:

提供されたクラスは、Excel (XLSX) および PowerPoint (PPTX) からテキストを抽出するように機能を拡張します。

実装:

1. ファイル パスを引数として使用して DocxConversion クラスのインスタンスを作成します。
2. convertToText メソッドを呼び出して、抽出されたテキストを取得します。

使用法:

$docObj = new DocxConversion("test.doc");
//$docObj = new DocxConversion("test.docx");
//$docObj = new DocxConversion("test.xlsx");
//$docObj = new DocxConversion("test.pptx");
$docText = $docObj->convertToText();

技術的な詳細:

• DOC ファイル: バイナリ形式であるため、fopen を使用して読み取ります。
• DOCX ファイル: XML ドキュメントを含む zip ファイルとして扱われ、zip_open で読み取ります.
• XLSX ファイル: XML ファイル「xl/sharedStrings.xml」を利用してスライド コンテンツを抽出します。
• PPTX ファイル:テキストを取得するための「ppt/slides」内の XML ファイル。

追加情報:

• このクラスは無効なファイル タイプを処理し、適切なエラー メッセージを返します。 .
• Doc ファイルは、テキスト抽出中に改行と空白を保持するために fgets を使用して読み取られます。

以上がWord や Office ドキュメントからテキストを抽出する方法: シンプルで効率的な解決策?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。