PHP和antiword无法正确解析西里尔文文本

Question

我将尝试翻译您的内容：

我正在尝试在我的Linux服务器上使用antiword解析MS Office 2003文档。但它无法正确解析西里尔文本。

它返回类似于这样的结果：

??? ???? ???????????

有人知道如何正确解析包含西里尔文本的MS Office 2003文档吗？

- vladimir

---

这是一个编码问题，你用什么代码解析文本的？ - Jan Dragsbaek

我正在尝试在命令行中执行 antiword test.doc 命令，而在我的 PHP 代码中，我使用相同的方式 shell_exec('antiword test.doc')。 - vladimir

@vladimir 从命令行执行时，它是否正常工作？ - DaveRandom

不，它没有返回正确的结果。它返回了 ??? ???? ???????????。 - vladimir

你确定DOC文件没有损坏吗？在Mac OS X电脑上，使用命令行中的antiword，我可以成功渲染这样一个文档的西里尔字母，没有任何问题。你也能在命令行中运行吗？ - Komputist

是的，DOC文件没有损坏。它无法从命令行正确地工作。它返回 ??? ???? ???????????。 - vladimir

Answer 1

我解决了这个西里尔文文本问题

你可以在这里看到良好的文档

下面是可工作的代码：

$content = shell_exec('/usr/bin/antiword -m cp1251.txt '.$filename);
var_dump($content);

请注意参数 -m（字符映射文件）

您忘记设置正确的映射文件了

---

这段文档涉及到文件映射：

Q9: Which mapping file (-m option) is correct in my situation?
A9: The correct mapping file depends on the character set you need for output
    in a specific language.
    For Western European languages (like English, French, German) this is
    8859-1.txt. (OS/2: cp1252.txt) (DOS: cp850.txt)
    For Eastern European languages (like Polish, Czech, Slovak, Croatian) this
    is 8859-2.txt. (OS/2: cp1250.txt) (DOS: cp852.txt)
    For Esperanto use 8859-3.txt.
    For Russian use 8859-5.txt or koi8-r.txt. (OS/2: cp1251.txt)
     (DOS: cp866.txt)
    For Ukrainian use koi8-u.txt.
    For Arabic use 8859-6.txt. (DOS: cp864.txt)
    For Hebrew use 8859-8.txt. (DOS: cp862.txt)
    For Thai use 8859-11.txt.
    If your system supports it, you might also try UTF-8.txt.

    NOTE: UTF-8 also enables Antiword to show text in languages like Chinese,
          Japanese and Korean.

- Pascal

Answer 2

Antiword有一个编码参数，也许你可以尝试一下：

 shell_exec('antiword -X UTF-8 test.doc')

或者使用koi8-r，然后通过iconv()在php中进行转换。

---

或者尝试在命令行模式下使用LibreOffice

 shell_exec('soffice --headless --convert-to txt test.doc')

- mario

---

我有一个超级老的版本 0.32，它是从2001年的。 - mario

“man page”（http://linux.die.net/man/1/antiword）表明antiword已经在使用utf8。 - hafichuk