LinuxサーバでMS Word文書のテキストを傷つけるにはどうしたらいいですか？

Question

一部のユーザーがMicrosoft Word文書をアップロードできるサイトを作成した後、他のユーザーが特定のキーワードを含むアップロードされた文書を検索できるサイトの作成について質問されました。このサイトは、PHPとMySQLを実行しているLinuxサーバーに座っているだろう。私は現在、文書からこのテキストを掻き取ることができるかどうか、どのように掻くことができるかを調べようとしています。もし誰かがこれをやり遂げる良い方法を示唆することができれば、それは非常に高く評価されるだろう。ここで

Answer 1

はcatdocを使用して良い例です：新しいDOCX形式からテキストを削れ

function catdoc_string($str) 
{ 
    // requires catdoc 

    // write to temp file 
    $tmpfname = tempnam ('/tmp','doc'); 
    $handle = fopen($tmpfname,'w'); 
    fwrite($handle,$a); 
    fclose($handle); 

    // run catdoc 
    $ret = shell_exec('catdoc -ab '.escapeshellarg($tmpfname) .' 2>&1'); 

    // remove temp file 
    unlink($tmpfname); 

    if (preg_match('/^sh: line 1: catdoc/i',$ret)) { 
     return false; 
    } 

    return trim($ret); 
} 

function catdoc_file($fname) 
{ 
    // requires catdoc 

    // run catdoc 
    $ret = shell_exec('catdoc -ab '.escapeshellarg($fname) .' 2>&1'); 

    if (preg_match('/^sh: line 1: catdoc/i',$ret)) { 
     return false; 
    } 

    return trim($ret); 
} 

Source

Answer 2

は自明です。ファイルそのものはzipファイルであり、内部を見ると、たくさんのxmlファイルが見つかります。テキストはこのzipファイル内のword/document.xmlに含まれており、実際にユーザーが入力したすべてのテキストは< w：t >タグに表示されます。 < w：t >タグに表示されているすべてのテキストを抽出すると、文書をスクラップしたことになります。