PHP读取各种文档内容并转换为TXT文档
来源:互联网 发布:emc unity 重复数据 编辑:程序博客网 时间:2024/06/05 06:14
最近研究全文索引技术,要对局域网内各个资源站的全部内容进行全部索引。为了提高索引精度,要求索引MS WORD 的DOC、DOCX文件格式、PPT、PPTX,Excel的XLS/XLSX文件和PDF文件的内容。要索引这些二进制文件,必须先把他们转换成纯文本格式才行。查到很多资料,很多都是利用Office的COM组件来读取这些文件的内容。但是这种方法只适用于Windows平台,而我们的PHP系统的运行平台是LINUX生产服务器。多方搜索发现国内很少有这些资料。无奈去Google。在浏览了大量相关论坛之后终于成功解决这个PHP 解析二进制文档文件转换为txt文本格式的问题。
具体方法如下:
1. MSDOC文档
使用catdoc命令转换为text文本格式,命令如下
catdoc test.doc > test.txt
2. MSXLS文档
使用xls2cvs命令转换XLS为CVS逗号分隔符文件,命令如下
xls2csv test.xls > test.xls.txt
3. MSPPT文档
使用catppt命令转换为text文本格式,命令如下
catppt test.ppt > test.txt
4. MSDOCX文档
ZIP解压缩文件,读取word/document.xml中节点定界段落,以定界文字分段,连缀即可。
5. MSXLSX文档
ZIP解压缩文件,读取xl/sharedStrings.xml中以定界文字分段,连缀即可
6. MSPPTX文档
ZIP解压缩文档,读取ppt/slides中全部文件,每个文件为一帧幻灯片,文字以定界,连缀即可
7. PDF文档
使用pdftotext命令进行转换,命令如下
pdftotext -enc GBK test.pdf text.pdf.txt
相关软件包(文末有下载)
catdoc-0.94.2.tar.gz
xpdf-3.02.tar.gz
xpdf-chinese-simplified.tar.gz
其中xpdf安装完成后需要单独安装中文支持。具体做法是:
解压缩xpdf-chinese-simplified.tar.gz得到xpdf-chinese-simplified, 将此文件夹移动至/usr/local/share/xpdf/chinese-simplified,复制chinese-simplified下的add-to-xpdfrc至/usr/local/etc/xpdfrc,即可完成中文支持的安装。相关命令如下
tar zxvf xpdf-chinese-simplified.tar.gzmkdir /usr/local/share/xpdfcp xpdf-chinese-simplified /usr/local/share/xpdf/chinese-simplifiedcp /usr/local/share/xpdf/chinese-simplified/add-to-xpdfrc /usr/local/etc/xpdfrc相关软件下载
下载文件: 1284344155_4550fe50.gz
下载文件: 1284344155_4425d6f7.gz
下载文件: 1284344155_641330a5.gz
- PHP读取各种文档内容并转换为TXT文档
- C++读取txt文档内容并截取相应的字符串
- 读取txt文档并分页
- 读取txt文档并分页
- python 循环读取txt文档 并转换成csv
- asp读取word 文档内容转换为二进制数据流
- 读取特定目录下txt文档内容
- PHP读取docx文档内容
- 创建一个TXT文档,并在文档后添加内容
- 转换Linux man 文档为txt格式
- word文档转换为txt-python
- PHP读取文本文档,文档内容以空格为分界符。
- C#读取word文档内容并显示
- 单文档打开文件并读取内容
- asp.net 读取读取sql数据并写入txt文档
- matlab txt文档读取
- java读取txt文档
- Android 读取txt文档
- 标题栏图标
- sizeof用法体会
- 学习Android线程模型解析(包括UI的更新)
- android系统底层到应用层全面剖析
- o.boj 1053 R2
- PHP读取各种文档内容并转换为TXT文档
- 如何通过3/8译码器扩展处理器片选信号
- 手动编辑一条json数据
- sql语句大全
- Hadoop distcp command error
- 逻辑卷管理器(LVM)
- C++头文件
- oracle面试题
- 系统架构-UML 包图