Библиотека для разбора docx файлов

Question

[vreznikov]

Стоит задача преобразования docx -> html и размещение получившегося на сайте. Нужно вытащить из docx картинки, закачать их на сервер, вытащить текст и поменять картинки на ссылки на них.

Вместо docx можно использовать любой «вордовский» формат — odf или rtf, etc…

И всё это хочется сделать на php

Посоветуйте библиотеку пожалуйста.

Answer 1

[Виктор]

Я для конвертации использовал команды ос, если у вас не виртуальный хостинг то проблем не будет, можно выполнить функцией exec или аналогичными. php.net/manual/ru/function.exec.php

abiword -t html '/home/victor/Рабочий стол/Лекция первая и вторая.docx'
abiword -t pdf '/home/victor/Рабочий стол/Лекция первая и вторая.docx'
abiword -t txt '/home/victor/Рабочий стол/Лекция первая и вторая.docx'

Соответственно конвертирует файл в html, pdf, txt

Comments

[vreznikov]

Если только текст, то да. А мне нужно ещё вытащить и закачать на сервер картинки.

[Виктор]

Если преобразовывать к html то будет не только файл .html но и папка с картинками.
И к тому же если говорить о docx то docx сам является архивом и может быть разархивирован стандартными средствами и в полученных файлах по адресу ./word/media будут внедрённые изображения.

В Ubuntu это выглядит так.

[vreznikov]

Спасибо! docx можно разархивировать, картинки там есть, но непонятно откуда берутся их имена, в каком порядке они находятся в тексте

[Александр Борисович]

Если phpword вас не удовлетворит (а он уж очень скудный) то пробуйте работать с xml-ками напрямую и реверсировать формат самим и по документации.

msdn.microsoft.com/ru-ru/office/bb265236.aspx

Предупреждаю в одном) в xml-ке слова будут разбиты по частям в тегах. Если в ворде в середине слова меняли букву, то он поставит в документ тег хистори, чтобы иметь возможность отката в этом месте и слово будет разорвано. И прочие навороты)) Без регулярок и парсинга там не обойтись.
В принципе, формат конечно же похож на html, теже таблицы в td и tr — только лишних тегов там просто моооре.
Удастся руками почистить до минималки теги в распакованом docx для подготовки будущего фильтра для php, хорошо. Нужно найти только те, без которых реально документ не открывается. А куча мусора всякого типа тегов хистори.
Вобщем то… если вам особо то и не надо кроме текста и картинок, ручками там не долго все расковырять. А потом тупо стринг реплейс можно сделать) но посидеть придется)

Answer 2

[kotofey]

PHPDocX — работает в обе стороны, может как создавать .doc файлы на основе html, так и наоборот. Вот страница с примером работы doc -> html
www.phpdocx.com/demo/conversion-plugin-docx-into-pdf-doc-rtf-html-odt

Comments

[LastDragon]

Дорогие у них, однако, тикеты :)

[Samarkand]

Сайт мертв.

Answer 3

[LastDragon]

Можно посмотреть бесплатный и полностью открытый github.com/PHPOffice/PHPWord

Comments

[Samarkand]

Только на большинстве файлов он выбрасывает исключение, см. https://github.com/PHPOffice/PHPWord/issues/472
Ни на что не годится.

[LastDragon]

Samarkand, отличный повод написать PR :)