На данный момент стоит задача распарсить содержимое Word-документа, а именно — там большая таблица (не спрашивайте почему не в экселе, не я автор исходного материала) и нужно считать значения всех её ячеек, причём нужно будет ещё понять что к чему относится (оно построена по типу таблицы умножения Пифагора — на пересечении строк и столбцов искомые данные).
С pdf — все тоже самое: нужен текст, таблица, картинки…
С DOCX все проще — это просто сжатый контейнер содержащий XML файлы, из которых уже можно распарсить данные. Библиотек массы, нужно смотреть по требуемому функционалу.
А вот PDF — знаю только о FPDF. Я бы рекомендовал найти какой-либо инструмент на подобии PDF2HTML и из PHP просто выполнять команду для выдирания информации.
А какая разница? это лишь контейнер. Из него формируются структуры данных и т.д, а уже из них собирается новый контейнер. Так что потерять что-то из перегонки форматов в этом случае можно только при перегонке docx в doc.
Для docx решений куча, как выше сказали. А pdf, очевидно, в общем случае разобрать на «текст, таблица, картинки» невозможно. Вернее, возможно, но ограничено.
PDF мне доводилось разбирать после pdftohtml. Таблиц там нет — компоновку можно выяснять по координатам в стилях. Криво и неудобно, но другого решения я не нашел. Выдача в xml формате, имхо, получается удобнее для парсинга.
Тут достаточно толково описано, как все это устроено изнутри
2) Где то из этой же серии статей было и про .doc
3) Мой вам совет www.phpdocx.com/
В свое время тоже думали, что проще руками все сделать. Там есть бесплатная версия. Для большинства простых задач ее должно хватить.
PS но про то, как все устроено, все равно почитайте.
Средний
