[PHP] docx, xlsx, pptx 텍스트 가져오기

이 글은 GAOGO Advent Calendaar 2021도 GAOGO 축제입니다.의 여섯째 날의 글이다.
어제 보도는[AWS 인정] 솔루션 기술 - 영어 시험(SAA-C02)입니다.

개시하다

안녕하세요.나는 이번 달부터 고베로 이주하기 시작했다.
나는 세계에서 연쇄를 만드는 시동 스튜디오 GAOGO를 소프트웨어 엔지니어로 만들었다.
이 글에는 사무실 시스템의 파일(Word, Excel, PowerPoint)에서 텍스트를 추출한 샘플 코드가 기술되어 있다.
ZipArchive사용류.
다음 프로그램 라이브러리도 있지만 텍스트만 가져오는 데 사용할 좋은 실제 예시를 찾을 수 없습니다. (무시했을 수도 있습니다.)

PHPWord

PHPSpreadsheet

PHPPresentaion

그 전에...

Office Open XML（OOXML）

XML의 파일 형식에 따릅니다.
마이크로소프트 워드, Excel, Powerpoint는 모두 이 파일을 모방한 것이다.
파일에 있는 문자는 XML 내부에 존재합니다.
OXML의 실제 상태는 ZIP 아카이브이며 동결해제 후 컨텐트를 확장할 수 있습니다.

OOXML 내용

Word(.docx)

Excel(.xlsx)

PowerPoint(.pptx)

설치 예

운영 환경

Mac OS Monterey (12.0.1)

PHP 8.0.8

Word(docx)의 경우

word/document.xml에서 텍스트 가져오기

getTextFromDocx.php

<?php

function getTextFromDocx(string $filePath): string
{
    $zip = new ZipArchive;
    $result = '';

    if ($zip->open($filePath) === true) {
        $documentXml = $zip->getFromName("word/document.xml");
        if ($documentXml) {
            $domDocument = new DOMDocument();
            $domDocument->loadXML($documentXml);
            $paragraphs = $domDocument->getElementsByTagName("p");
            /** @var DOMNode $paragraph */
            foreach ($paragraphs as $paragraph) {
                $result .= $paragraph->textContent;
            }
        }
    }

    return $result . "\n";
}

echo getTextFromDocx('./test.docx');

결실

Excel(xslx) 시

xl/sharedStrings.xml에서 텍스트 가져오기

getTextFromXlsx.php

<?php

function getTextFromXlsx(string $filePath): string
{
    $zip = new ZipArchive;
    $response = '';

    $open = $zip->open($filePath);
    if ($open === true) {
        $sharedStringsXml = $zip->locateName('xl/sharedStrings.xml');
        if ($sharedStringsXml) {
            $domDocument = new DOMDocument;
            $xml = $zip->getFromIndex($sharedStringsXml);
            $domDocument->loadXML($xml, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
            $response .= strip_tags($domDocument->saveXML());
        }
        $zip->close();
    }

    return $response;
}

echo getTextFromXlsx('./test.xlsx');

결실

PowerPoint(pptx) 시

getTextFromPptx.php

<?php

function getTextFromPptx(string $filePath): string
{
    $zip = new ZipArchive;
    $response = '';

    $open = $zip->open($filePath);

    if ($open === true) {
        $slideNumber = 1;
        $doc = new DOMDocument;
        while (($xmlIndex = $zip->locateName('ppt/slides/slide' . $slideNumber . '.xml')) !== false) {
            $xmlData   = $zip->getFromIndex($xmlIndex);
            $doc->loadXML($xmlData, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
            $response .= strip_tags($doc->saveXML());
            $slideNumber++;
        }
        $zip->close();
    }

    return $response;
}

echo getTextFromPptx('./test.pptx');

결실

최후

이번 샘플 코드는 우리 창고에서 접근할 수 있습니다.
테스트용 파일도 함께 첨부되어 있기 때문에 명령줄에서 실제로 실행할 수 있다.
https://github.com/smtrdev/php-ooxml-get-text

참고 문장

Open Office XMl - What is OOXML?

Extract text from doc and docx

지금까지 php로 워드(docx)를 읽고plain text를 받았습니다.