php doc添加文字,用PHP读取MS Word(.doc)中的文字

这几天放假，有点空，就拿来研究了一下，看了一会儿就开始犯晕，云里雾里的，再结合到How_to_retrieve_text_from_a_binary_doc_file这篇文章，总算知道怎么从MS Word Binary Format中提取出文字了。下面将演示用PHP从.DOC文档中提取文字。

至于用处，不用我多说，搜索引擎能索引Word、QQ邮箱可以直接以HTML方式查看Word文档，etc…

首先，找个测试文档吧，以这个aaa.doc为例。

然后要说明的是，MS Word Binary File Format版本从97到2003没太大变化，对于我们提取文本无影响，这之间的格式都遵循着OLE规范的，不懂的可以看看MS的OLE规范。

用WinHex打开这个测试文章：

选中的区域(0×30)即为文档目录的入口，0×1C出开始的两个字节FE FF表明文档使用Little Endian，即高位在后低位在前，所以这里目录的开头为0×00000041 =

65。这个65是Sector ID。

什么是Sector？Sector是将文件按512字节进行划分，第一个512直接为Header，即文件头，第二个512为Sector #0，后面的类推。

所以，要定位到目录位置，偏移算法为 (65+1)x512=33792=0×8400，定位到文件0×8400位置：

order cialis

t=”hex01″ width=”705″ height=”288″ />

本来可以按照相连的规律来读出所有的目录，但略显复杂，我们就直接判断每128个字节为一个目录，直到遇到开始两个字节为零时终止。

因为我们这里只是提取文字，所以只需要读取目录的名字(前64字节)和目录的入口(倒数第12个字节开头的4个字节)，这里我们只说有用信息：

WordDocument目录位置 0×000000，即Sector #0

1Table位置 0×00001D，即Sector #29

定位到WordDocument目录位置(0+1)*0×200=0×200，偏移到0×3A0位置，可以找到Piece Table在1Table中的偏移位置：

这里为 0×2094 , 长度为0×0021

定位到Piece Table，0×2094+(0×1D+1)*0×200=0×5C94：

截取0×21个字节的长度，即为选中部分，02表示这行数据是Piece Table(PT)，1C 00 00 00表示数据长度=28，可以计算出PT的数量=(28-4)/12=2，那么，00 00 00 00表示第一个PT的位置偏移，E4 05 00 00表示第一个PT的结束同时也是第二个PT的开始，BF 0B 00 00为第二个PT的结束。80 00 00 08 00 00 00 00表示第一个PT的描述，80 00 00 18 00 00 00 00表示第二个PT的描述，从描述中可以确定文本编码是Unicode双字节还是CP，还能确定字符开始的起始基数。具体算法见后面源代码。这里得到的信息是，以Unicode编码存储，起始偏移为0×800。那么文字读取的位置即为0×0800+(0×00+0×0001)*0×0200+0×0000=0xA000。然后按照Unicode编码和Little Endian顺序，就可以一个一个的将文字读取出来了。

zp8497586rq