php подсчет слов в .doc, .docx с греческими символами

0

Я создаю веб-приложение с использованием php, и мне приходится подсчитывать слова загруженного файла.doc или.docx. Пока я использую вышеуказанные функции, чтобы подсчитать слова, но этот код не работает для греческих символов

для.doc

 public static function docWordCount($file){
  $fileHandle = fopen($file, "r");
  $line = @fread($fileHandle, filesize($file));   
  $lines = explode(chr(0x0D),$line);
  $outtext = "";
  foreach($lines as $thisline)
    {
      $pos = strpos($thisline, chr(0x00));
      if (($pos !== FALSE)||(strlen($thisline)==0))
        {
        } else {
          $outtext .= $thisline." ";
        }
    }
   $outtext = preg_replace("/[^a-zA-Z0-9\s\,\.\-\n\r\t@\/\_\(\)]/","",$outtext);
  return str_word_count($outtext);
 }

и для.docx:

  public static function docxWordCount($file){ 
    $striped_content = '';
    $content = '';

    $zip = zip_open($file);

    if (!$zip || is_numeric($zip)) return false;

    while ($zip_entry = zip_read($zip)) {

        if (zip_entry_open($zip, $zip_entry) == FALSE) continue;

        if (zip_entry_name($zip_entry) != "word/document.xml") continue;

        $content .= zip_entry_read($zip_entry, zip_entry_filesize($zip_entry));

        zip_entry_close($zip_entry);
    }// end while

    zip_close($zip);

    $content = str_replace('</w:r></w:p></w:tc><w:tc>', " ", $content);
    $content = str_replace('</w:r></w:p>', "\r\n", $content);
    $striped_content = strip_tags($content);

    return str_word_count($striped_content);   
  }
Теги:
unicode
doc
docx

1 ответ

-1

str_word_count не выглядит двоично-безопасным, то есть он не поддерживает символы UTF-8. Лучше всего использовать preg_match чтобы разделить текст на символы, отличные от слов, используя свойство \P{L}. Например, следующее регулярное выражение разделит ваш текст на каждый небуквенный символ:

preg_split('/\P{L}/usi', $str, -1, , PREG_SPLIT_DELIM_CAPTURE | PREG_SPLIT_NO_EMPTY);

Дополнительные сведения о свойствах символов Unicode

  • 0
    Моя проблема не только в количестве слов, но и в преобразовании документа в текст, когда я загружаю греческий документ, текст $ outtext выглядит следующим образом: Y, dXiJ (x (I_TS1EZBmU / xYy5g / GMGeD3Vqq8K) fw9 xrxwrTZaGy8IjbRcXI
  • 0
    Документы Word не являются текстовыми файлами. Вы должны конвертировать их в первую очередь. См. Stackoverflow.com/questions/188452/…
Показать ещё 2 комментария

Ещё вопросы

Сообщество Overcoder
Наверх
Меню