如何在Linux上获取Word文档的页数？

Question

我看到这个问题PHP - 获取Word文档中的页数。我还需要确定给定单词文件（doc/docx）的页数。我尝试调查 phplivedocx/ZF （@hobodave 链接到原始帖子答案中的内容），但我在那里失去了手脚。我也无法使用任何外部网络服务（例如 DOC2PDF 网站，然后计算 PDF 版本中的页面数，等等......）。

简单地说：是否有任何 php 代码（使用 ZF 或 PHP 中的其他任何内容，排除 COM 对象或其他执行文件，例如“AbiWord”；我正在使用共享 Linux 服务器，没有 exec 或类似的函数），查找word文件的页数？

编辑：即将支持的Word版本是Microsoft-Word 2003和Microsoft-Word 2003。 2007年。

Answer 1

获取 docx 文件的页数非常简单：

function get_num_pages_docx($filename)
{
    $zip = new ZipArchive();

    if($zip->open($filename) === true)
    {  
        if(($index = $zip->locateName('docProps/app.xml')) !== false)
        {
            $data = $zip->getFromIndex($index);
            $zip->close();

            $xml = new SimpleXMLElement($data);
            return $xml->Pages;
        }

        $zip->close();
    }

    return false;
}

对于 97-2003 格式，这当然具有挑战性，但绝不是不可能的。页数存储在文档的 SummaryInformation 部分中，但由于文件的 OLE 格式，导致查找起来很困难。该结构的定义非常彻底（尽管在我看来很糟糕）这里< /a> 和更简单的 这里。我今天看了一个小时，但没有走多远！ （不是我习惯的抽象级别），但输出十六进制以更好地理解结构：

function get_num_pages_doc($filename) 
{
    $handle = fopen($filename, 'r');
    $line = @fread($handle, filesize($filename));

    echo '<div style="font-family: courier new;">';

        $hex = bin2hex($line);
        $hex_array = str_split($hex, 4);
        $i = 0;
        $line = 0;
        $collection = '';
        foreach($hex_array as $key => $string)
        {
            $collection .= hex_ascii($string);
            $i++;

            if($i == 1)
            {
                echo '<b>'.sprintf('%05X', $line).'0:</b> ';
            }

            echo strtoupper($string).' ';

            if($i == 8)
            {
                echo ' '.$collection.' <br />'."\n";
                $collection = '';
                $i = 0;

                $line += 1;
            }
        }

    echo '</div>';

    exit();
}

function hex_ascii($string, $html_safe = true)
{
    $return = '';

    $conv = array($string);
    if(strlen($string) > 2)
    {
        $conv = str_split($string, 2);
    }

    foreach($conv as $string)
    {
        $num = hexdec($string);

        $ascii = '.';
        if($num > 32)
        {   
            $ascii = unichr($num);
        }

        if($html_safe AND ($num == 62 OR $num == 60))
        {
            $return .= htmlentities($ascii);
        }
        else
        {
            $return .= $ascii;
        }
    }

    return $return;
}

function unichr($intval)
{
    return mb_convert_encoding(pack('n', $intval), 'UTF-8', 'UTF-16BE');
}

它将输出代码，您可以在其中找到以下部分：

007000: 0500 5300 7500 6D00 6D00 6100 7200 7900 ..S.u.m.m.a.r.y.
007010: 4900 6E00 6600 6F00 7200 6D00 6100 7400 I.n.f.o.r.m.a.t.
007020: 6900 6F00 6E00 0000 0000 0000 0000 0000 i.o.n...........
007030: 0000 0000 0000 0000 0000 0000 0000 0000 ................ 

这将允许您查看引用信息，例如：

007040: 2800 0201 FFFF FFFF FFFF FFFF FFFF FFFF (...ÿÿÿÿÿÿÿÿÿÿÿÿ
007050: 0000 0000 0000 0000 0000 0000 0000 0000 ................
007060: 0000 0000 0000 0000 0000 0000 0000 0000 ................
007070: 0000 0000 2500 0000 0010 0000 0000 0000 ....%...........

哪个将允许您确定所描述的属性：

_ab = ("SummaryInformation") 
_cb = 0028
_mse = 02 (STGTY_STREAM) 
_bflags = 01 (DE_BLACK) 
_sidLeftSib = FFFF FFFF 
_sidRightSib = FFFF FFFF (none) 
_sidChild = FFFF FFFF (n/a for STGTY_STREAM) 
_clsid = 0000 0000 0000 0000 0000 0000 0000 0000 (n/a) 
_dwUserFlags = 0000 0000 (n/a) 
_time[0] = CreateTime = 0000 0000 0000 0000 (n/a) 
_time[1] = ModifyTime = 0000 0000 0000 0000 (n/a)
_startSect = 0000 0000 
_ulSize = 0000 1000 
_dptPropType = 0000 (n/a)

这将使您找到相关的代码部分，将其解压并获取页码。当然，这是一个困难的部分，我只是没有时间，但应该为您指明正确的方向。

M$ 并不容易！

Answer 2

看看 microsoft codeplex 的 PhpWord ...“http://phpword.codeplex.com/

它将允许您在 PHP 中打开并读取 Word 格式的文件，并进行您需要的任何处理。

Answer 3

为了使用 PHP 获取 doc、docx、ppt 和 pptx 的元数据属性（如页数、幻灯片数），我遵循了以下过程，它的工作方式很迷人，我很高兴，下面是我遵循的过程，希望它能帮助某人

Download and configure Apache Tika.

一次完成后，您可以尝试执行以下命令，它会提供有关您的文件的所有元数据，

java -jar tika-app-1.5.jar -m test.docx
java -jar tika-app-1.5.jar -m test.doc
java -jar tika-app-1.5.jar -m test.pptx
java -jar tika-app-1.5.jar -m test.ppt

一旦测试，您可以在 PHP 脚本中执行此命令。谢谢。

Answer 4

排除使用 Abiword 或 OpenOffice？不可能 - 页数将取决于单词/字母的数量、使用的字体、对齐方式和字偶距、页边距大小、行距、段落间距、段落数、列数、图形/嵌入对象的大小、页/列分隔符和页边距。

您需要能够理解所有这些的东西。

即使您使用 OpenOffice 或 Abiword，重排文本也可能会更改页数。事实上，在某些情况下，在不同的 MSWord 实例上打开同一文档可能会导致差异。

您可能可以管理的最好方法是基于文档表示的统计方法 - 但您仍然会看到巨大的差异。