我想让 PHP 阅读(上传的)PowerPoint 演示文稿,并从每张幻灯片中提取最少的文本(获取更多信息,如图像和布局甚至会更好,但此时我只满足于文本)。
我知道谷歌应用程序在其演示应用程序中执行此操作,所以我猜测有一些方法可以翻译 powerpoint 二进制文件,但我似乎找不到任何有关如何执行此操作的信息。
关于尝试什么的任何想法?
谢谢 -
我想让 PHP 阅读(上传的)PowerPoint 演示文稿,并从每张幻灯片中提取最少的文本(获取更多信息,如图像和布局甚至会更好,但此时我只满足于文本)。
我知道谷歌应用程序在其演示应用程序中执行此操作,所以我猜测有一些方法可以翻译 powerpoint 二进制文件,但我似乎找不到任何有关如何执行此操作的信息。
关于尝试什么的任何想法?
谢谢 -
根据版本,您可以查看 Zend 框架,因为 Zend_Search_Lucene 能够索引 PowerPoint 2007 文件。看看相应的类文件,我认为它类似于Zend_Search_Lucene_Document_Pptx
.
是的,当然这是可能的。
[这是一个开始。]( http://download.microsoft.com/download/0/B/E/0BE8BDD7-E5E8-422A-ABFD-4342ED7AD886/PowerPoint97-2007BinaryFileFormat(ppt)Specification.pdf)我不会说它有很好的文档/格式,但是一旦你开始它并不难。首先只关注您需要的元素(幻灯片、文本等)。
一个不太详细和更简单的方法是在十六进制编辑器中打开 .ppt 文件并查找您感兴趣的信息(您应该能够看到二进制数据中的文本)及其周围的内容。然后根据围绕该信息的内容,您可以编写一个解析器来提取该信息。
这是我从 Word 文档中提取文本的类似函数创建的示例函数。我用 Microsoft PowerPoint 文件对其进行了测试,但它不会解码保存为 .ppt 的 OpenOfficeImpress 文件
对于 .pptx 文件,您可能需要查看 Zend Lucene。
function parsePPT($filename) {
// This approach uses detection of the string "chr(0f).Hex_value.chr(0x00).chr(0x00).chr(0x00)" to find text strings, which are then terminated by another NUL chr(0x00). [1] Get text between delimiters [2]
$fileHandle = fopen($filename, "r");
$line = @fread($fileHandle, filesize($filename));
$lines = explode(chr(0x0f),$line);
$outtext = '';
foreach($lines as $thisline) {
if (strpos($thisline, chr(0x00).chr(0x00).chr(0x00)) == 1) {
$text_line = substr($thisline, 4);
$end_pos = strpos($text_line, chr(0x00));
$text_line = substr($text_line, 0, $end_pos);
$text_line = preg_replace("/[^a-zA-Z0-9\s\,\.\-\n\r\t@\/\_\(\)]/","",$text_line);
if (strlen($text_line) > 1) {
$outtext.= substr($text_line, 0, $end_pos)."\n";
}
}
}
return $outtext;
}
我想对此发表我的决心。
不幸的是,我无法让 PHP 可靠地读取二进制数据。
我的解决方案是编写一个小型 vb6 应用程序,通过自动化 PowerPoint 来完成这项工作。
不是我想要的,但是,现在解决了这个问题。
话虽如此,Zend 选项看起来在某些时候可能是可行的,所以我会注意的。
谢谢。