Linux + PHP 实现office提取纯文本（ppt/pptx/doc/docx/xls/xlsx/pdf转txt）

Linux + PHP 实现office提取纯文本（ppt/pptx/doc/docx/xls/xlsx/pdf转txt）

1、实现思路

• php直接操作文件，遇到大的文件容易导致内存溢出，所以选用linux第三方软件
• 选用 pdftotext 提取pdf的文本内容
• 选用 libreoffice 把ppt/pptx/doc/docx/xls/xlsx 转成pdf 或 txt 文件

2、实现过程

• 软件安装

# 安装libreoffice

yum list libreoffice*

# 测试是否安装成功

soffice --version

#测试转换 /tmp/test/aa.doc 装换成 /tmp/test/aa.pdf

soffice --invisible  --convert-to pdf /tmp/test/aa.doc --outdir /tmp/test

# 安装中文字体

# 从windows (C:\Windows\Fonts)复制 字体文件 到linux（/usr/share/fonts）或者子文件夹

# 如果只是文字内容提取 复制一个宋体就够用

#测试是否安装成功 如下图 有中文字体表示安装成功

fc-list :lang=zh

# 安装pdftotext 命令

yum install poppler-utils

# 测试是否安装成功

pdftotext -v

• 软件使用

pdftotext -q source.pdf convert.txt

# pdftotext -q 表示忽略错误信息

# 也可以不写入目标文件 直接返回 用 - ，如下

pdftotext -q source.pdf-

 

soffice --invisible --headless --norestore --nologo --convert-to pdf sourcefile.doc --outdir /tmp

# --headless     无头但根本没有用户交互
           # --invisible 没有启动屏幕，没有默认文档，没有用户界面
           # --norestore 禁止在出现致命错误后重新启动/还原
           # --nologo     不显示启动屏幕。
           #--convert-to 可以指定转换的类型，pdf,txt,html
                Eg. --convert-to pdf *.doc
                     --convert-to pdf:writer_pdf_Export --outdir /home/user *.doc
                     --convert-to "html:XHTML Writer File:UTF8" *.doc
                     --convert-to "txt:Text (encoded):UTF8" *.doc

3、关键代码

• ppt/pptx/doc/docx/xls/xlsx （为了方便展示，特摘出关键代码，不清楚的可以随时交流）
• ppt 直接省去office转pdf的过程即可

<?php
$source = "/tmp/test/source.ppt";
$tmpDir = "/tmp/test";
// 装换pdf 设置30秒超时
$officeToPdf = "timeout 30s soffice --invisible --headless --norestore --nologo --convert-to pdf {$source} --outdir {$tmpDir}";
shell_exec($officeToPdf);
// 此时生成 与源文件同名的 /tmp/test/source.pdf 
$pdfFile = $tmpDir."/"."source.pdf";
if (!file_exists($pdfFile)) {
    echo "文件转换失败";
    exit;
}

$pdfToTxt = "pdftotext -q {$pdfFile} -";
$content = shell_exec($pdfToTxt);

var_dump($content);