在PHP环境下自动导入word文档到数据库.doc

在PHP环境下自动导入word文档到数据库最近在搭建自己的博客网站，经过比较放弃了大家都在使用的wordpress，转而使用轻巧的typecho，轻巧意味着运行速度快，但相应的功能一定就比较贫乏。所以很多功能需要自己动手来创建。我的很多文档都是在word中编写的，相信直接在网站后台编辑文章的人肯定是极少的。现在要把这些文档再发布到博客上，难道又要再进行一次编辑吗？而且我的文档中还有非常多图，这实在是太麻烦了。所以我想到了用PHP直接解析WORD文档，然后把它转化为HTML网页再存入数据库中，一键搞定，这才是高大上的节奏。于是我到网上去搜索“导入DOC文档到数据库”，发现网上的资料绝大部分是基于JAVA的，比如APACHE的POI实现，比如docx4j实现，使用这些jar包可以快速的实现导入.doc文档。当然还有微软的当家编程语言C#，操作DOC文档也是很方便的，甚至还有SDK。但因为网站所用的虚拟主机是PHP系统的，而且对JAVA和C#编程不是非常熟悉，所以决定还是使用PHP来实现这个功能。在编程之前先找找前人做的工作是非常有必要的，在wordpress上有实现这个功能的插件，于是我下载了这个插件，基于这个插件就可以做出自己的程序。暴料一下，这个插件名是“docx-to-html-free”。我还在github上找到好几个实现这样功能的代码。逐一尝试后发现，这些代码都工作的不是非常好，而且分析这些代码后发现.docx文档其实是一外zip压缩文档，里面存放的是一些xml文件和资源文件，而PHP对zip和xml都有很好的支持，所以实现这样的功能并不是一件非常困难的事。在编写程序之前，最关键的还是要分析.docx文件的结构，然后针对它的结构写出针对的分析程序，经过分析我发现，把.docx文档解压后，文档主要内容存放在word/document.xml中，图片等资源存放在word/media/文件夹中，资源的索引存放在word/_rels/document.xml.rels中，项目编号样式存放在numbering.xml中，这些是最主要的一些文件，其它文件不一一列举了。Office2007以后，.docx文件以XML文本格式存储，这样就可以使用外部程序创建或打开Word文件，而不需要使用Word的对象。也能够自由的打开分析Word文件，或者发布到自己的Web页面，或者其他更多应用。一个典型的WordXML结构可以是如下的样子： Hello, World. 这是最简单的WordXML内容，它包括这几部分：XML的声明和名称空间的指明：文档内容基本节点类型从body内可以看出，构成实际文本内容的有3中类型节点： 表示一个段落 表示一个样式串，指明它包括的文本的显示样式 表示真正的文本内容如果我们需要指明一个文本为粗体，需要怎么办呢？ 2.0C 表示该格式串种的文本为粗体。这样，我们就知道表示一个特定的文本格式，稍微复杂点的格式： 2.0C字体为粗体，尺寸为是40除2等于20相当于几号字体？，字体名称“Arial” 2.0C中的xml:space=preserve从字面上理解是保持空格。如果没有这内容的话文本的前后空格将会被Word忽略。如果我们需要指定一个段的对齐方式，行距要怎么办呢？这就要设置的属性了。类似于这样：对齐方向： 这儿是右对齐。行距: 600是用行距的倍数乘240得出，如果是两倍行距，则是480。这儿应该是2.5倍行距。由此可见，组装一个WordXML格式的文件是一件比较简单的事情。将段属性包含在中将文本格式包含在中这儿的Pr是property的意思，表示这个块中是r(run)或p(paragraph)的格式设置。表格是通过 tbl 元素定义的，它与 HTML 标记类似。表元素指定文档中存在的表的位置。tbl 元素具有两个定义其属性的元素：tblPr 和 tblGrid，前者定义表范围的一组属性（如样式和宽度），后者定义表的网格布局。tbl 元素还可包含任意（非零）数目的行，其中每行使用 tr 元素来指定。每个 tr 元素可包含任意非零个单元格，其中每个单元格使用 tc 元素来指定。docx插图方式与inline和anchor关系inline：内联，此种插图方式对插入的图片位置不能灵活控制，只能通过段设置，对应word的嵌入型插图。anchor：锚，此种插图方式对插入的图片位置能灵活控制，对应word的四周型、紧密型、穿越型等。表示嵌入一个图片在_rels/document.xml.rels这里定义了用到的图片资源，如下：这样就可以定位到这个图片表示这个图片的大小 其中360000表示1厘米，2.54厘米表示96个像素也表示图片大小需要和上面的标签一致,而且这是个必要项，如删除将出错表示插入形状v:group 表示形状进行了组合v:rect style=position:absolute;left:1755;top:9795;width:2475;height:915 表示一个矩形locateName($resourseFile)，根据索引取出文件内容$zip-getFromIndex($resourses)，解压其中的某些文件$zip-extractTo(./,array(word/.$path);而XML的读取在PHP中有四种方法，分别的XML Expat Parser、SimpleXML、XMLReader、DOMDocument，这里的第一种方法实在是太老旧了，一般我们都不会用这种方法，SimpleXML和DOMDocument需要把文件全部加载到内存中，如果DOCX文件太大，这时就会有问题，而且SimpleXML很难处理有命名空间的XML文件。最终我还是选择了XMLReader类来读取XML文件。它主要使用循环$reader-read()来读全部节点，然后在循环中检查$reader-name是否是你想要的节点名，以及是进入节点$reader-nodeType=XMLReader:ELEMENT，还是退出节点$reader-nodeType=XMLReader:END_ELEMENT，当发现文本节点时，可以通过$reader-readString()来读取文本。经过一星期的努力，终于实现了.docx文件上传并转换为HTML存入数据库中，