Bagaimana Mengekstrak Teks daripada Word dan Dokumen Pejabat: Penyelesaian yang Mudah dan Cekap?

Cara Mengekstrak Teks daripada Word dan Dokumen Office:

Mendapatkan teks daripada dokumen Word yang dimuat naik pengguna menjadi penting untuk tugas seperti carian kata kunci dan analisis data. Berikut ialah penyelesaian yang cekap untuk mengekstrak teks daripada fail dalam pelbagai format Microsoft Office.

DOCX/DOC:

PHP Docx Reader: Pustaka ini secara langsung menukar fail DOCX kepada teks tanpa tambahan kebergantungan.

XLSX/PPTX:

Kelas yang disediakan memperluaskan fungsinya untuk mengekstrak teks daripada fail Excel (XLSX) dan PowerPoint (PPTX), menyediakan penyelesaian yang serba boleh.

Pelaksanaan:

1. Buat contoh kelas DocxConversion dengan laluan fail sebagai argumen.
2. Panggil kaedah convertToText untuk mendapatkan semula teks yang diekstrak.

Penggunaan:

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

Teknikal Butiran:

• Fail DOC: Baca menggunakan fopen, kerana ia adalah format binari.
• Fail DOCX: Dianggap sebagai zip yang mengandungi dokumen XML, baca dengan zip_open.
• XLSX fail: Gunakan fail XML "xl/sharedStrings.xml" untuk mengekstrak kandungan slaid.
• Fail PPTX: Imbas fail XML dalam "ppt/slides" untuk mendapatkan semula teks .

Tambahan Maklumat:

• Kelas mengendalikan jenis fail yang tidak sah dan mengembalikan mesej ralat yang sesuai.
• Fail dokumen dibaca menggunakan fgets untuk mengekalkan pemisah baris dan ruang kosong semasa pengekstrakan teks.

Atas ialah kandungan terperinci Bagaimana Mengekstrak Teks daripada Word dan Dokumen Pejabat: Penyelesaian yang Mudah dan Cekap?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!