我需要一个可以从文档(doc, doxc, pdf, html, rtf, odt...)中提取文本的库。是否有一个库（适用于所有文档类型）可以实现这个目的？
PHP，文档阅读库
4
- Eugeny89
5
1什么样的文本？您能否给我们更多细节？ - Or Weinberger
3没有“一种图书馆将它们全部带来，在黑暗中捆绑它们”的说法。如果有的话，我想支持可能是不可能的；因为覆盖所有这些格式会让任何开发人员组合都发狂。甚至有些文档格式找不到任何体面的库。 - Mark Baker
1肯定没有一种库可以处理所有这些文档格式。它们之间差异很大，不同版本代表不同的架构。我相信最好为每种格式寻找最佳解决方案。 - Pekka
一些PDF文档被保存为图像，这将使得在没有使用OCR解决方案的情况下提取任何文本都变得不可能（当然，这也是可能的，但这是另一个额外的步骤）。 - Spudley
1你说你只需要文字，但格式呢？有些文档中的大量文本没有格式将会变得混乱或无用。 - Spudley
4个回答
2
批量转换文件格式，可使用以下两种方法之一：
odtphp http://www.odtphp.com/index.php?i=tutorials&p=tutorial1 或者
PyODConverter（使用PHP命令行可执行工具运行它以使其“与”PHP一起工作）http://www.oooninja.com/2008/02/batch-command-line-file-conversion-with.html 然后将最终结果通过任何通用的pdf2txt库或phpOCR运行。
odtphp http://www.odtphp.com/index.php?i=tutorials&p=tutorial1 或者
PyODConverter（使用PHP命令行可执行工具运行它以使其“与”PHP一起工作）http://www.oooninja.com/2008/02/batch-command-line-file-conversion-with.html 然后将最终结果通过任何通用的pdf2txt库或phpOCR运行。
- Incognito
2
更安全的方法是先将您的文档转换为纯文本，然后解析纯文本版本的内容以进行所需操作。有很多命令行转换器可用于将不同格式转换为纯文本（如Word to txt、PDF to txt等），适用于任何操作系统。
顺便提一下，关于PDF文件：并非所有PDF都实际包含纯文本，有些只是一组扫描图像，因此在这种情况下，您就没有办法了（除非您对它们使用OCR）。
顺便提一下，关于PDF文件：并非所有PDF都实际包含纯文本，有些只是一组扫描图像，因此在这种情况下，您就没有办法了（除非您对它们使用OCR）。
- wimvds
1
OpenTBS 是一个 PHP 工具，可以读取和修改任何 OpenDocument 文件（ODT、ODS、ODG、ODF、ODM、ODP、OTT、OTS、OTG、OTP）。同时也支持 OpenXML 文件（DOCX、XLSX、PPTX）。
如果您需要将不受支持的文件格式转换为 OpenTBS 支持的格式之一，那么这个工具就可以胜任。
- Skrol29
0
除了Windows系统之外，没有类似的库可以为您完成这项工作，并且未来也很可能不会有。主要原因是您指定的文档格式会不断更新。
但是，在Windows上，如果安装了php，您肯定可以使用activex扩展轻松读取所有这些格式，并且除了在计算机上安装php之外，您还需要安装适当的办公应用程序才能使其正常工作。这也确保了文档的将来版本在您的php代码中继续工作，只要您的办公应用程序可以读取这些文档即可。在php库集合中寻找“php win32”库，您应该能够找到一些不错的东西。
- Samnan
2
2你从没用过Linux，对吧？它有很多针对不同文件格式的命令行转换工具... - wimvds
我曾经使用过Linux，但是无论你使用哪种办公文件转换器，都不可能达到100%的转换率……除非你的文档只是纯文本，没有使用应用程序中的任何其他功能，否则都会存在一些问题。 - Samnan
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接