Я хочу, чтобы PHP читал (загружен) презентацию PowerPoint и минимально извлекал текст с каждого слайда (захват большего количества информации, такой как изображения и макеты, был бы даже лучше, но я бы согласился только на текст на этом этапе).
Я знаю, что приложения google делают это в своем презентационном приложении, поэтому я предполагаю, что есть способ перевести двоичный файл powerpoint, но я не могу найти никакой информации о том, как это сделать.
Любые идеи о том, что попробовать?
Благодаря –
В зависимости от версии вы можете взглянуть на Zend Framework, поскольку Zend_Search_Lucene может индексировать файлы PowerPoint 2007. Просто взгляните на соответствующий файл класса, я думаю, что это что-то вроде Zend_Search_Lucene_Document_Pptx .
Да, конечно, это возможно.
[Вот начало.] ( http://download.microsoft.com/download/0/B/E/0BE8BDD7-E5E8-422A-ABFD-4342ED7AD886/PowerPoint97-2007BinaryFileFormat(ppt)Specification.pdf) Я бы не сказал это очень хорошо документировано / сформировано, но это не так сложно, как только вы начнете. Начните с фокусировки только на нужные вам элементы (слайды, текст и т. Д.).
Менее подробный и простой подход заключается в том, чтобы открыть файл .ppt в шестнадцатеричном редакторе и искать информацию, в которую вы находитесь (вы должны иметь возможность видеть текст в двоичных данных) и что его окружает. Затем, основываясь на том, что окружает эту информацию, вы можете написать парсер, который извлекает эту информацию.
Вот примерная функция, которую я создал, аналогичную, которая извлекает текст из документов Word. Я тестировал его с файлами Microsoft PowerPoint, но он не будет декодировать файлы OpenOfficeImpress, сохраненные как .ppt
Для файлов .pptx вы можете взглянуть на Zend Lucene.
function parsePPT($filename) { // This approach uses detection of the string "chr(0f).Hex_value.chr(0x00).chr(0x00).chr(0x00)" to find text strings, which are then terminated by another NUL chr(0x00). [1] Get text between delimiters [2] $fileHandle = fopen($filename, "r"); $line = @fread($fileHandle, filesize($filename)); $lines = explode(chr(0x0f),$line); $outtext = ''; foreach($lines as $thisline) { if (strpos($thisline, chr(0x00).chr(0x00).chr(0x00)) == 1) { $text_line = substr($thisline, 4); $end_pos = strpos($text_line, chr(0x00)); $text_line = substr($text_line, 0, $end_pos); $text_line = preg_replace("/[^a-zA-Z0-9\s\,\.\-\n\r\t@\/\_\(\)]/","",$text_line); if (strlen($text_line) > 1) { $outtext.= substr($text_line, 0, $end_pos)."\n"; } } } return $outtext; }
Я хотел опубликовать свое решение.
К сожалению, я не смог заставить PHP надежно читать двоичные данные.
Мое решение состояло в том, чтобы написать небольшое приложение vb6, которое выполняет эту работу, автоматизируя PowerPoint.
Не то, что я искал, но, решает проблему на данный момент.
При этом опция Zend выглядит так, как будто она может быть жизнеспособной в какой-то момент, поэтому я буду наблюдать это.
Благодарю.