PHP读取word docx文档内容及处理图片

楼台听雨 發表於 2020-1-2 16:18:00

PHP读取word docx文档内容及处理图片

<h2>PHP读取word文档里的文字及图片，并保存</h2>
一、composer安装phpWord
<div class="cnblogs_code">
<pre>composer require phpoffice/phpword</pre>
</div>
传送门：https://packagist.org/packages/phpoffice/phpword
 
二、phpWord 读取 docx 文档（注意是docx格式，doc格式不行）
如果你的文件是doc格式，直接另存为一个docx就行了；如果你的doc文档较多，可以下一个批量转换工具：http://www.batchwork.com/en/doc2doc/download.htm
如果你还没配置自动加载，则先配置一下：
<div class="cnblogs_code">
<pre>require './vendor/autoload.php';</pre>
</div>
加载文档：
<div class="cnblogs_code">
<pre>$dir = str_replace('\\', '/', __DIR__) . '/';
$source = $dir . 'test.docx';
$phpWord = \PhpOffice\PhpWord\IOFactory::load($source);</pre>
</div>
 
三、关键点
1）对齐方式：PhpOffice\PhpWord\Style\Paragraph -> getAlignment()
2）字体名称：\PhpOffice\PhpWord\Style\Font -> getName()
3）字体大小：\PhpOffice\PhpWord\Style\Font -> getSize()
4）是否加粗：\PhpOffice\PhpWord\Style\Font -> isBold()
5）读取图片：\PhpOffice\PhpWord\Element\Image -> getImageStringData()
6）ba64格式图片数据保存为图片：file_put_contents($imageSrc, base64_decode($imageData))
 
四、完整代码
<div class="cnblogs_code">
<pre>require './vendor/autoload.php';

function docx2html($source)
{
$phpWord = \PhpOffice\PhpWord\IOFactory::load($source);
$html = '';
foreach ($phpWord->getSections() as $section) {
 foreach ($section->getElements() as $ele1) {
 $paragraphStyle = $ele1->getParagraphStyle();
 if ($paragraphStyle) {
 $html .= '$paragraphStyle->getAlignment() .';text-indent:20px;">';
 } else {
 $html .= '';
 }
 if ($ele1 instanceof \PhpOffice\PhpWord\Element\TextRun) {
 foreach ($ele1->getElements() as $ele2) {
 if ($ele2 instanceof \PhpOffice\PhpWord\Element\Text) {
 $style = $ele2->getFontStyle();
 $fontFamily = mb_convert_encoding($style->getName(), 'GBK', 'UTF-8');
 $fontSize = $style->getSize();
 $isBold = $style->isBold();
 $styleString = '';
 $fontFamily && $styleString .= "font-family:{$fontFamily};";
 $fontSize && $styleString .= "font-size:{$fontSize}px;";
 $isBold && $styleString .= "font-weight:bold;";
 $html .= sprintf('%s',
 $styleString,
 mb_convert_encoding($ele2->getText(), 'GBK', 'UTF-8')
 );
 } elseif ($ele2 instanceof \PhpOffice\PhpWord\Element\Image) {
 $imageSrc = 'images/' . md5($ele2->getSource()) . '.' . $ele2->getImageExtension();
 $imageData = $ele2->getImageStringData(true);
 // $imageData = 'data:' . $ele2->getImageType() . ';base64,' . $imageData;
 file_put_contents($imageSrc, base64_decode($imageData));
 $html .= '<img src="'. $imageSrc .'" style="width:100%;height:auto">';
 }
 }
 }
 $html .= '';
 }
}

return mb_convert_encoding($html, 'UTF-8', 'GBK');
}

$dir = str_replace('\\', '/', __DIR__) . '/';
$source = $dir . 'test.docx';
echo docx2html($source);</pre>
</div>
 
五、补充
很明显，这是一个简陋的word读取示例，只读取了段落的对齐方式，文字的字体、大小、是否加粗及图片等信息，其他例如文字颜色、行高。。。等等信息都忽悠了。需要的话，请自行查看phpWord源码，看\PhpOffice\PhpWord\Style\xxx 和 \PhpOffice\PhpWord\Element\xxx 等类里有什么读取方法就可以了
 
六、2020-07-21 补充
可以用以下方法直接获取到完整的html
<div class="cnblogs_code">
<pre>$phpWord = \PhpOffice\PhpWord\IOFactory::load('xxx.docx');
$xmlWriter = \PhpOffice\PhpWord\IOFactory::createWriter($phpWord, "HTML");
$html = $xmlWriter->getContent();</pre>
</div>
注：html内容里包含了head部分，如果只需要style和body的话，需要自己处理一下；然后图片是base64的，要保存的话，也需要自己处理一下
base64数据保存为图片请参考上面代码
 
如果只想获取body里的内容，可以参考 \PhpOffice\PhpWord\Writer\HTML\Part\Body 里的 write 方法
<div class="cnblogs_code">
<pre>$phpWord = \PhpOffice\PhpWord\IOFactory::load('xxxx.docx');
$htmlWriter = \PhpOffice\PhpWord\IOFactory::createWriter($phpWord, "HTML");
$content = '';
foreach ($phpWord->getSections() as $section) {
$writer = new \PhpOffice\PhpWord\Writer\HTML\Element\Container($htmlWriter, $section);
$content .= $writer->write();
}
echo $content;exit;</pre>
</div>
 
图片的处理的话，暂时没有好办法能在不修改源码的情况下处理好，改源码的话，相关代码在 \PhpOffice\PhpWord\Writer\HTML\Element\Image 里
<div class="cnblogs_code">
<pre>public function write()
{
if (!$this->element instanceof ImageElement) {
 return '';
}
$content = '';
$imageData = $this->element->getImageStringData(true);
if ($imageData !== null) {
 $styleWriter = new ImageStyleWriter($this->element->getStyle());
 $style = $styleWriter->write();
 // $imageData = 'data:' . $this->element->getImageType() . ';base64,' . $imageData;
 $imageSrc = 'images/' . md5($this->element->getSource()) . '.' . $this->element->getImageExtension();
 // 这里可以自己处理，上传oss之类的
 file_put_contents($imageSrc, base64_decode($imageData));

 $content .= $this->writeOpening();
 $content .= "<img border=\"0\" style=\"{$style}\" src=\"{$imageSrc}\"/>";
 $content .= $this->writeClosing();
}

return $content;
}</pre>
</div>
 
<hr>
 
完。 
来源：https://www.cnblogs.com/tujia/p/12133615.html

頁: [1]

琼殿技术论坛's Archiver

PHP读取word docx文档内容及处理图片