Comment extraire du texte de documents Word et Office : une solution simple et efficace ?

Comment extraire du texte à partir de documents Word et Office :

Obtenir du texte à partir de documents Word téléchargés par l'utilisateur devient essentiel pour des tâches telles que les recherches par mots clés et analyse des données. Voici une solution efficace pour extraire du texte à partir de fichiers dans différents formats Microsoft Office.

DOCX/DOC :

PHP Docx Reader : Cette bibliothèque directement convertit les fichiers DOCX en texte sans dépendances supplémentaires.

XLSX/PPTX :

La classe fournie étend ses fonctionnalités pour extraire du texte d'Excel (XLSX) et de PowerPoint (PPTX) fichiers, fournissant une solution polyvalente.

Implémentation :

1. Créez une instance de la classe DocxConversion avec le chemin du fichier comme argument.
2. Appelez la méthode convertToText pour récupérer le texte extrait.

Utilisation :

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

Détails techniques :

• Fichiers DOC :Lus en utilisant fopen, car ils sont au format binaire.
• Fichiers DOCX : Traités comme des fichiers zip contenant des documents XML, lus avec zip_open .
• Fichiers XLSX : Utilisez le fichier XML "xl/sharedStrings.xml" pour extraire le contenu de la diapositive.
• Fichiers PPTX : Parcourez le Fichiers XML dans "ppt/slides" pour récupérer du texte.

Informations supplémentaires :

• La classe gère les types de fichiers non valides et renvoie les messages d'erreur appropriés. .
• Les fichiers Doc sont lus à l'aide de fgets pour préserver les sauts de ligne et les espaces lors de l'extraction de texte.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!