如何对DOCX/ODT(rtf)文件中带有空格的字符进行计数？

Question

我试着简单地做--打开xmls，计算字符并获得它的值，但问题是，这种方法并不准确，请参阅我的代码：

$document = 'cvicnytext2.docx';

function extracttext($filename) {
    //Check for extension
    $ext = explode(".", $filename);
    $ext = end($ext);

    //if its docx file
    if($ext == 'docx')
    $dataFile = "word/document.xml";
    else
    $dataFile = "content.xml";     

    $zip = new ZipArchive;

    // Open the archive file
    if (true === $zip->open($filename)) {
        if (($index = $zip->locateName($dataFile)) !== false) {
            $text = $zip->getFromIndex($index);
            $xml = new DOMDocument();
            $xml->loadXML($text, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
            return strip_tags($xml->saveXML());
        }
        $zip->close();
    }
    return "File not found";
}

$length = strlen( utf8_decode( extracttext($document) ) );
echo "Length: ". $length."(chars with spaces).";

例如，如果我上传了这个文件，我可以通过我的代码76015字符获得，但是Word显示的是76113所以有一百个字符丢失了。

有没有人知道怎么把它变得更精确？你的帮助将不胜感激。

但可能导致问题的是读取zip文件会引起一些麻烦--在字符串前后添加空间，并添加一些未打印但已计数的字符。知道吗？如果我将相同的文本直接复制到计数函数中，它就可以正常工作了。

Answer 1

如果您不想深入了解ODF或OOXML标准的细节，我相信您的方法基本上是唯一可用的方法。

要有一个准确的计数，你将首先需要移除“未打印”的节点，但可能包含一些文本，例如，图像和对象的标题和描述，...

如果您编写一个递归函数，通过nodeValue为每个节点获取内容，并对结果进行修剪，那么您可能会有一点改进，但这仍然会考虑到“某些节点中的不可打印文本”。