Comment puis-je graver du texte de document MS Word sur un serveur Linux?

Question

On m'a demandé de créer un site où certains utilisateurs peuvent télécharger des documents Microsoft Word, alors que d'autres peuvent ensuite rechercher des documents téléchargés qui contiennent certains mots-clés. Le site serait assis sur un serveur Linux exécutant PHP et MySQL. J'essaie actuellement de savoir si et comment je peux gratter ce texte à partir des documents. Si quelqu'un peut suggérer un bon moyen de faire cela, il serait très apprécié.

Answer 1

Voici un bon exemple en utilisant 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

Answer 2

texte Grattage du nouveau format docx est trivial. Le fichier lui-même est juste un fichier zip, et si vous regardez à l'intérieur d'un, vous trouverez un tas de fichiers XML. Le texte est contenu dans word/document.xml dans ce fichier zip, et tout le texte réel entré par l'utilisateur apparaîtra dans < w: t > tags. Si vous extrayez tout le texte apparaissant dans les balises < w: t >, vous aurez éraflé le document.