如何使用php获得文档中图片的解析

前段时间在写一个功能：用原生php将获得word中的内容并导入到网站系统中。因为文档中存在公式，图片，表格等，因此写的比较麻烦。

大体思路是先将word中格式为doc的文档转化为docx，用预处理程序将文档中的公式转化为swf图片格式，将word转化为xml格式，在获得xml中的内容转化为json格式。

1. 理解xml基础

xml是一种可扩展标记语言，是互联网数据传输的重要工具，xml可以实现跨互联网平台而不受编程语言和操作系统的限制，可以说是一个拥有互联网最高级别通行证的数据携带者。

xml是当前处理结构化文档信息中的技术，有助于在服务器之间穿梭结构化出具，使得开发工作者可以更加方便的控制数据的存储和传输

xml用于标记电子文件使其具有结构性的标记语言，可用来标记数据，定义数据类型，是一种允许用户对自己的标记语言进行定义的源语言。它是标准通用语言的子集，非常适合web传输。

2. word的两种不同的存储方式

word文档的两种存储格式：doc和docx

doc：习惯上被称为word,采用二进制存储数据

docx：也就是word2007，采用xml存储数据

那么后缀明明是docx格式的，为什么成xml格式了？

选择一个test.docx，将后缀名改为.zip，然后进行解压，得到下面的目录结构：

所以你认为的docx文档，其实是一个压缩文件~

3. 了解DOM和PHP DOM XML解析

DOM提供了针对html和xml文档的标准对象集，以及用于访问和操作这些文档的标准接口。XML DOM是为文档定义标准的对象集。使用PHP DOM扩展可以实现PHP对DOM树的一系列操作。

使用PHP DOM读取一个XML文档：

test.xml:

 ?xml version= 1.0 encoding= utf-8 ? teststore test  name php dom test /name  author test-one /author /test test  title php dom test 2 /title  author test-two /author /test /teststore 

test.php:

 ?php $doc = new DOMDocument(); $doc- load( test.xml //获取标签对象 $book=$doc- getElementsByTagName( test //输出第一个中的值 echo $book- item(0)- nodeValue;  echo br ---------------- br  $title=$doc- getElementsByTagName( name  echo $title- item(0)- nodeValue;  echo br ---------------- br //遍历所有book标签中的内容 foreach ($book as $note) echo $note- nodeValue;  echo br  }

结果：

4. word中xml的定义格式

word中的数据是怎么定义的呢？？

我们只会介绍连个l两个文件/文件夹:

一个文件是word/document.xml,这个文件定义了word整个文档的内容。

另一个文件夹是word/media，这个文件夹存放着文档的多媒体内容，换句话说文档中所有的图片，音频视频都是在这个文件夹下存放。

document.ml中的整体结构定义：

 w:document mc:ignorable= w14 w15 wp14 xmlns:m= http://schemas.openxmlformats.org/officeDocument/2006/math xmlns:mc= http://schemas.openxmlformats.org/markup-compatibility/2006 xmlns:o= urn:schemas-microsoft-com:office:office xmlns:r= http://schemas.openxmlformats.org/officeDocument/2006/relationships xmlns:v= urn:schemas-microsoft-com:vml xmlns:w= http://schemas.openxmlformats.org/wordprocessingml/2006/main xmlns:w10= urn:schemas-microsoft-com:office:word xmlns:w14= http://schemas.microsoft.com/office/word/2010/wordml xmlns:w15= http://schemas.microsoft.com/office/word/2012/wordml xmlns:wne= http://schemas.microsoft.com/office/word/2006/wordml xmlns:wp= http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing xmlns:wp14= http://schemas.microsoft.com/office/word/2010/wordprocessingDrawing xmlns:wpc= http://schemas.microsoft.com/office/word/2010/wordprocessingCanvas xmlns:wpg= http://schemas.microsoft.com/office/word/2010/wordprocessingGroup xmlns:wpi= http://schemas.microsoft.com/office/word/2010/wordprocessingInk xmlns:wps= http://schemas.microsoft.com/office/word/2010/wordprocessingShape xmlns:wpscustomdata= http://www.wps.cn/officeDocument/2013/wpsCustomData  w:body  w:p  w:ppr  w:pstyle w:val= 2  /w:pstyle  w:keepnext w:val= 0  /w:keepnext  w:keeplines w:val= 0  /w:keeplines  w:widowcontrol  /w:widowcontrol  w:suppresslinenumbers w:val= 0  /w:suppresslinenumbers  w:pbdr  w:top w:color= auto w:space= 0 w:sz= 0 w:val= none  /w:top  w:left w:color= auto w:space= 0 w:sz= 0 w:val= none  /w:left  w:bottom w:color= auto w:space= 0 w:sz= 0 w:val= none  /w:bottom  w:right w:color= auto w:space= 0 w:sz= 0 w:val= none  /w:right  /w:pbdr 

文档段落内容：

 w:p  w:ppr  w:pstyle w:val= 2  /w:pstyle  w:keepnext w:val= 0  /w:keepnext  w:keeplines w:val= 0  /w:keeplines  w:widowcontrol  /w:widowcontrol  w:suppresslinenumbers w:val= 0  /w:suppresslinenumbers  w:pbdr  w:top w:color= auto w:space= 0 w:sz= 0 w:val= none  /w:top  w:left w:color= auto w:space= 0 w:sz= 0 w:val= none  /w:left  w:bottom w:color= auto w:space= 0 w:sz= 0 w:val= none  /w:bottom  w:right w:color= auto w:space= 0 w:sz= 0 w:val= none  /w:right  /w:pbdr  w:shd w:fill= FAFAFA w:val= clear  /w:shd  w:spacing w:after= 150 w:afterautospacing= 0 w:before= 150 w:beforeautospacing= 0 w:line= 378 w:linerule= atLeast  /w:spacing  w:ind w:firstline= 0 w:left= 0 w:right= 0  /w:ind  w:rpr  w:rfonts w:ascii= Verdana w:cs= Verdana w:hansi= Verdana w:hint= default  /w:rfonts  w:i w:val= 0  /w:i  w:caps w:val= 0  /w:caps  w:color w:val= 404040  /w:color  w:spacing w:val= 0  /w:spacing  w:sz w:val= 21  /w:sz  w:szcs w:val= 21  /w:szcs  /w:rpr  /w:ppr  w:r  w:rpr  w:rfonts w:ascii= Verdana w:cs= Verdana w:hansi= Verdana w:hint= default  /w:rfonts  w:i w:val= 0  /w:i  w:caps w:val= 0  /w:caps  w:color w:val= 404040  /w:color  w:spacing w:val= 0  /w:spacing  w:sz w:val= 21  /w:sz  w:szcs w:val= 21  /w:szcs  w:bdr w:color= auto w:space= 0 w:sz= 0 w:val= none  /w:bdr  w:shd w:fill= FAFAFA w:val= clear  /w:shd  /w:rpr  w:t  作者: Test /w:t  /w:r  /w:p 

图片内容定义：

 w:r  w:rpr  w:rfonts w:ascii= Verdana w:cs= Verdana w:hansi= Verdana w:hint= default  /w:rfonts  w:i w:val= 0  /w:i  w:caps w:val= 0  /w:caps  w:color w:val= 404040  /w:color  w:spacing w:val= 0  /w:spacing  w:sz w:val= 21  /w:sz  w:szcs w:val= 21  /w:szcs  w:bdr w:color= auto w:space= 0 w:sz= 0 w:val= none  /w:bdr  w:shd w:fill= FAFAFA w:val= clear  /w:shd  /w:rpr  w:drawing  wp:inline distb= 0 distl= 114300 distr= 114300 distt= 0  wp:extent cx= 5543550 cy= 5543550  /wp:extent  wp:effectextent b= 0 l= 0 r= 0 t= 0  /wp:effectextent  wp:docpr descr= IMG_256 id= 1 name= Picture 1  /wp:docpr  wp:cnvgraphicframepr  a:graphicframelocks nochangeaspect= 1 xmlns:a= http://schemas.openxmlformats.org/drawingml/2006/main  /a:graphicframelocks  /wp:cnvgraphicframepr  a:graphic xmlns:a= http://schemas.openxmlformats.org/drawingml/2006/main  a:graphicdata uri= http://schemas.openxmlformats.org/drawingml/2006/picture  pic:pic xmlns:pic= http://schemas.openxmlformats.org/drawingml/2006/picture  pic:nvpicpr  pic:cnvpr descr= IMG_256 id= 1 name= Picture 1  /pic:cnvpr  pic:cnvpicpr  a:piclocks nochangeaspect= 1  /a:piclocks  /pic:cnvpicpr  /pic:nvpicpr  pic:blipfill  a:blip r:embed= rId4  /a:blip  a:stretch  a:fillrect  /a:fillrect  /a:stretch  /pic:blipfill  pic:sppr  a:xfrm  a:off x= 0 y= 0  /a:off  a:ext cx= 5543550 cy= 5543550  /a:ext  /a:xfrm  a:prstgeom prst= rect  a:avlst  /a:avlst  /a:prstgeom  a:nofill  /a:nofill  a:ln w= 9525  a:nofill  /a:nofill  /a:ln  /pic:sppr  /pic:pic  /a:graphicdata  /a:graphic  /wp:inline  /w:drawing  /w:r 

结论：

 w:document 定义整个文档的开始  w:body document的子节点，文档的主体内容  w:p body的子节点，一个段落，就是word文档中的段落  w:r p元素的子节点，一个Run定义了段落中具有相同格式的一段内容  w:t Run元素节点的子节点，就是文档的内容  w:drawing run元素的子节点，定义了一张图片  w:inline drawing子节点，具体应用没有研究  a:graphic 定义了图片内容  pic:blipfill graphic文档的子节点，定义了图片内容的索引.

具体的说，如果用java，那么XWPF解析docx文档就是做xml文档解析，获得所有的节点并转换成更好用的属性提供API进行使用,在java中poi能根据这个名称拿到图片相对应的资源，而获取图片位置的关键也就是这里。

但是很不幸，我用的是php~~~所以我们需要通过php的相关接口手动实现获得图片.

下面说一下我的具体思路：通过PHP的内置DOMDocument接口获得docx文档的xml节点，遍历xml节点找到保存图片的节点元素，向下遍历图片节点扎到r:embed索引的值。因为docx文档是一个压缩包格式，所以通过PHP内置接口ZipArchive接口遍历该docx文档(实质就是遍历.zip压缩包)，通过索引找到对应的图片，转换成二进制数据，在拼接img标签显示格式为base64的图片数据。

转换成xml:

 private $rels_xml; private $doc_xml; private function readZipPart($filename) { $zip = new ZipArchive(); $_xml = word/document.xml  $_xml_rels = word/_rels/document.xml.rels  if (true === $zip- open($filename)) { if (($index = $zip- locateName($_xml)) !== false) { $xml = $zip- getFromIndex($index); $zip- close(); } else die( non zip file  if (true === $zip- open($filename)) { if (($index = $zip- locateName($_xml_rels)) !== false) { $xml_rels = $zip- getFromIndex($index);  $zip- close(); } else die( non zip file  $this- doc_xml = new DOMDocument(); $this- doc_xml- encoding = mb_detect_encoding($xml); $this- doc_xml- preserveWhiteSpace = false; $this- doc_xml- formatOutput = true; $this- doc_xml- loadXML($xml); $this- doc_xml- saveXML(); $this- rels_xml = new DOMDocument(); $this- rels_xml- encoding = mb_detect_encoding($xml); $this- rels_xml- preserveWhiteSpace = false; $this- rels_xml- formatOutput = true; $this- rels_xml- loadXML($xml_rels); $this- rels_xml- saveXML(); }

判断是否为图片节点：

if($paragraph- name === w:drawing ) { (strstr($ts, …封… ) != false || strstr($ts, …线… ) != false) ? $t .= : $t .= $this- analysisDrawing($paragraph);}

获得图片索引：

 private function analysisDrawing( $drawingXml) { while($drawingXml- read()) { if ($drawingXml- nodeType == XMLREADER::ELEMENT $drawingXml- name === a:blip ) { $rId = $drawingXml- getAttribute( r:embed  $rIdIndex = substr($rId,3); return $this- checkImageFormating($rIdIndex); }

显示压缩包中图片文件：

 private function checkImageFormating($rIdIndex) { $imgname = word/media/image .($rIdIndex-8); $zipfileName = __DIR__.DIRECTORY_SEPARATOR. b .DIRECTORY_SEPARATOR. test.docx  $zip=zip_open($zipfileName); while($zip_entry = zip_read($zip)) {//读依次读取包中的文件 $file_name=zip_entry_name($zip_entry);//获取zip中的文件名 if(strstr($file_name,$imgname) != ) { $a = ($rIdIndex-8 10) ? mb_substr($file_name,mb_strlen($imgname, utf-8 ),1, utf-8 ) :  if($rIdIndex-8 10 $a != . ) continue; if ($enter_zp = zip_entry_open($zip, $zip_entry, r )) { //读取包中文件 $ext = pathinfo(zip_entry_name ($zip_entry),PATHINFO_EXTENSION);//获取图片文件扩展名 $content = zip_entry_read($zip_entry,zip_entry_filesize($zip_entry));//读取文件二进制数据 return sprintf( img src= data:image/%s;base64,%s , $ext, base64_encode($content));//利用base64_encode函数转换读取到的二进制数据并输入输出到页面中 zip_entry_close($zip_entry); //关闭zip中打开的项目  zip_close($zip);//关闭zip文件  }

以上就是本文的全部内容，希望对大家的学习有所帮助，更多相关内容请关注PHP ！

相关推荐：

如何用php获取当前页面文件名

php中heredoc的用法

以上就是如何使用php获得文档中图片的解析的详细内容，PHP教程

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。