如何在Linux服务器上刮取MS Word文档文本?

下面是一个使用 catdoc :

function catdoc_string($str)
{
    // requires catdoc

    // write to temp file
    $tmpfname = tempnam ('/tmp','doc');
    $handle = fopen($tmpfname,'w');
    fwrite($handle,$a);
    fclose($handle);

    // run catdoc
    $ret = shell_exec('catdoc -ab '.escapeshellarg($tmpfname) .' 2>&1');

    // remove temp file
    unlink($tmpfname);

    if (preg_match('/^sh: line 1: catdoc/i',$ret)) {
        return false;
    }

    return trim($ret);
}

function catdoc_file($fname)
{
    // requires catdoc

    // run catdoc
    $ret = shell_exec('catdoc -ab '.escapeshellarg($fname) .' 2>&1');

    if (preg_match('/^sh: line 1: catdoc/i',$ret)) {
        return false;
    }

    return trim($ret);
}

Source

从新的docx格式中删除文本很简单。文件本身只是一个zip文件,如果您查看其中一个文件,就会发现一堆xml文件。文本包含在此zip文件中的word/document.xml中,所有实际用户输入的文本都将显示在<w:t>标记中。如果提取“标记”中显示的所有文本,则会刮掉文档。