最近研究全文索引技术，要对局域网内各个资源站的全部内容进行全部索引。为了提高索引精度，要求索引MS WORD 的DOC、DOCX文件格式、PPT、PPTX，Excel的XLS/XLSX文件和PDF文件的内容。要索引这些二进制文件，必须先把他们转换成纯文本格式才行。查到很多资料，很多都是利用Office的COM组件来读取这些文件的内容。但是这种方法只适用于Windows平台，而我们的PHP系统的运行平台是LINUX生产服务器。多方搜索发现国内很少有这些资料。无奈去Google。在浏览了大量相关论坛之后终于成功解决这个PHP 解析二进制文档文件转换为txt文本格式的问题。

具体方法如下：

1. MSDOC文档
使用catdoc命令转换为text文本格式，命令如下

catdoc test.doc > test.txt

  
2. MSXLS文档
使用xls2cvs命令转换XLS为CVS逗号分隔符文件，命令如下

xls2csv test.xls > test.xls.txt

  
3. MSPPT文档
使用catppt命令转换为text文本格式，命令如下

catppt test.ppt > test.txt

  
4. MSDOCX文档
ZIP解压缩文件，读取word/document.xml中节点定界段落，以定界文字分段，连缀即可。

5. MSXLSX文档
ZIP解压缩文件，读取xl/sharedStrings.xml中以定界文字分段，连缀即可
  
6. MSPPTX文档
ZIP解压缩文档，读取ppt/slides中全部文件，每个文件为一帧幻灯片，文字以定界，连缀即可
  
7. PDF文档
使用pdftotext命令进行转换，命令如下

pdftotext -enc GBK test.pdf text.pdf.txt

  
相关软件包
catdoc-0.94.2.tar.gz
xpdf-3.02.tar.gz
xpdf-chinese-simplified.tar.gz

其中xpdf安装完成后需要单独安装中文支持。具体做法是：
解压缩xpdf-chinese-simplified.tar.gz得到xpdf-chinese-simplified， 将此文件夹移动至/usr/local/share/xpdf/chinese-simplified，复制chinese-simplified下的add-to-xpdfrc至/usr/local/etc/xpdfrc，即可完成中文支持的安装。相关命令如下

tar zxvf xpdf-chinese-simplified.tar.gz
mkdir /usr/local/share/xpdf
cp xpdf-chinese-simplified /usr/local/share/xpdf/chinese-simplified
cp /usr/local/share/xpdf/chinese-simplified/add-to-xpdfrc /usr/local/etc/xpdfrc

更多相关技术内容咨询欢迎前往并持续关注六星社区了解详情。

程序员编程交流QQ群：805358732

如果你想用Python开辟副业赚钱，但不熟悉爬虫与反爬虫技术，没有接单途径，也缺乏兼职经验
关注下方微信公众号：Python编程学习圈，获取价值999元全套Python入门到进阶的学习资料以及教程，还有Python技术交流群一起交流学习哦。