将RTF转换为纯文本

Question

我有一个ERP系统，它以RTF格式存储文本，我试图从中提取纯文本。

我搜索了谷歌并找到了像this one和其他一些使用REGEX替换的解决方案，但它们似乎都没有用。我总是得到NULL或}}}或完全错误的东西。

这是我试过的REGEX：

$matches = array('/\{\\\\(.+?)\}/','/\\\\(.+?)\b/');

$row['text'] = preg_replace($matches,'',$row['text']);

然而它返回：}}}

这是我的RTF数据：

{\rtf1\deff0{\fonttbl{\f0 Calibri;}{\f1 Arial;}}{\colortbl ;\red0\green0\blue255 ;}{\*\defchp \fs22}{\*\listoverridetable}{\stylesheet {\ql\fs22 Normal;}{\*\cs1\f1\fs20 Default Paragraph Font;}{\*\cs2\sbasedon1\f1\fs20 Line Number;}{\*\cs3\ul\fs22\cf1 Hyperlink;}{\*\ts4\tsrowd\fs22\ql\trautofit1\tscellpaddfl3\tscellpaddl108\tscellpaddfr3\tscellpaddr108\tsvertalt\cltxlrtb Normal Table;}{\*\ts5\tsrowd\sbasedon4\fs22\ql\trbrdrt\brdrs\brdrw10\trbrdrl\brdrs\brdrw10\trbrdrb\brdrs\brdrw10\trbrdrr\brdrs\brdrw10\trbrdrh\brdrs\brdrw10\trbrdrv\brdrs\brdrw10\trautofit1\tscellpaddfl3\tscellpaddl108\tscellpaddfr3\tscellpaddr108\tsvertalt\cltxlrtb Table Simple 1;}}\nouicompat\splytwnine\htmautsp\sectd\pard\plain\ql{\f1\fs20\cf0 Migration Fileserverdaten innerhalb derselben oder einer vertrauten Dom\u228\'e4ne}\f1\fs20\par\pard\plain\ql{\f1\fs20\cf0 Anpassung der Laufwerksfreigaben}\f1\fs20\par\pard\plain\ql{\f1\fs20\cf0 Freigabenerstellung wie Bestand (weitere Absprachen hierzu m\u246\'f6glich)}\f1\fs20\par\pard\plain\ql{\f1\fs20\cf0 Hostname(n) Quellsystem(e):}\f1\fs20\par\pard\plain\ql{\f1\fs20\cf0 Hostname Zielsystem:}\f1\fs20\par\pard\plain\ql{\f1\fs20\cf0 Bekanntes Datenvolumen:}\f1\fs20\par\pard\plain\ql{\f1\fs20\cf0 Clientseitige Nacharbeiten aufgrund fest vergebener Einstellungen}\f1\fs20\par\pard\plain\ql{\f1\fs20\cf0 erfolgen nach Aufwand oder durch den Auftraggeber.}\f1\fs20\par\pard\plain\ql{\f1\fs20\cf0 Es wird im Besonderen darauf hingewiesen, da\u223\'df Datei- und Ornderberechtigungen 1:1 beibehalten werden. Die Neuvergabe jedweder Datei- oder Ordnerberechtigung kann nach Aufwand und Anweisung des Auftraggebers durchgef\u252\'fchrt werden.}\f1\fs20\par\pard\plain\ql{\f1\fs20\cf0 Voraussetzungen zur Zusatzaufwandsfreien Durchf\u252\'fchrung:}\f1\fs20\par\pard\plain\ql{\f1\fs20\cf0 Gigabit Switching zwischen allen Quell- und Zielsystemen, Vollzugriff auf den zu migrierenden Datenbestand}\f1\fs20\par\pard\plain\ql\f1\fs20\par}

编辑2019：对于所有发现这个问题的人我使用这个单一项目，因为4年没有问题https://github.com/henck/rtf-html-php/blob/master/rtf-html-php.php

Answer 1

经过一些脑力，我得到了一个解决方案：

试试这个正则表达式：

"{\*?\\.+(;})|\s?\\[A-Za-z0-9]+|\s?{\s?\\[A-Za-z0-9]+\s?|\s?}\s?"

这意味着用。替换你的代码

$count = null;    
$matches = array('"{\*?\\.+(;})|\s?\\[A-Za-z0-9]+|\s?{\s?\\[A-Za-z0-9]+\s?|\s?}\s?"');
$row['text'] = preg_replace($matches,'',$row['text'], -1, $count);

Answer 2

你可以在这里找到一个Rtf文本提取器：

www.rtftools.net

以下是如何使用它的示例：

include ( 'path/to/RtfTexter.phpclass' ) ;

$doc = new RtfTexter ( 'sample.rtf' ) ;
echo $doc -> AsString ( ) ;               // Echo text contents to stdout
$doc -> SaveTo ( 'sample.txt' ) ;         // Save text contents to file 'sample.txt'

Answer 3

我正在发布这个问题的一般解决方案，其他人跳到这里。

public static function converToPlain($text){
    $text = preg_replace('"{\*?\\\\.+(;})|\\s?\\\[A-Za-z0-9]+|\\s?{\\s?\\\[A-Za-z0-9‹]+\\s?|\\s?}\\s?"', '', $text);
    return $text;
}

Answer 4

大家好我正在编写此代码读取rtf文件纯文本此代码工作100％

那里的PHP代码：

$text = file_get_contents('testfile.rtf');
if (!strlen($text)) {
 echo "bad file";
 exit();

}
// we'll try to fix up the parts of the rtf as best we can
// clean up the file a little to simplify parsing
$text=str_replace("\r",' ',$text); // returns
$text=str_replace("\n",' ',$text); // new lines
$text=str_replace('  ',' ',$text); // double spaces
$text=str_replace('  ',' ',$text); // double spaces
$text=str_replace('  ',' ',$text); // double spaces
$text=str_replace('  ',' ',$text); // double spaces
$text=str_replace('} {','}{',$text); // embedded spaces
// skip over the heading stuff
$j=strpos($text,'{',1); // skip ahead to the first part of the header

$loc=1;
$t="";

$ansa="";
$len=strlen($text);
getpgraph(); // skip by the first paragrap

while($j<$len) {
 $c=substr($text,$j,1);
 if ($c=="\\") {
 // have a tag
 $tag=gettag();
 if (strlen($tag)>0) {
 // process known tags
 switch ($tag) {
 case 'par':
 $ansa.="\r\n";
 break;
 // ad a list of common tags
 // parameter tags
 case 'spriority1':
 case 'fprq2':
 case 'author':
 case 'operator':
 case 'sqformat':
 case 'company':
 case 'xmlns1':
 case 'wgrffmtfilter':
 case 'pnhang':
 case 'themedata':
 case 'colorschememapping':
 $tt=gettag();
 break;
 case '*':
 case 'info':
 case 'stylesheet':
 // gets to end of paragraph
 $j--;
 getpgraph();
 default:
 // ignore the tag
 }
 }
 } else {
 $ansa.=$c;
 }
 $j++;
}
$ansa=str_replace('{','',$ansa);
$ansa=str_replace('}','',$ansa);
echo "<pre>$ansa</pre>";

function getpgraph() {
 // if the first char after a tag is { then throw out the entire paragraph
 // this has to be nested
 global $text;
 global $j;
 global $len;
 $nest=0;
 while(true) {
 $j++;
 if ($j>=$len) break;
 if (substr($text,$j,1)=='}') {
 if ($nest==0) return;
 $nest--;
 }
 if (substr($text,$j,1)=='{') {
 $nest++;
 }
 }
 return;
}

function gettag() {
 // gets the text following the / character or gets the param if it there
 global $text;
 global $j;
 global $len;
 $tag='';
 while(true) {
 $j++;
 if ($j>=$len) break;
 $c=substr($text,$j,1);
 if ($c==' ') break;
 if ($c==';') break;
 if ($c=='}') break;
 if ($c=="\\") {
 $j--;
 break;
 }
 if ($c=="{") {
 //getpgraph();
 break;
 }
 if ((($c>='0')&&($c<='9'))||(($c>='a')&&($c<='z'))||(($c>='A')&&($c<='Z'))||$c=="'"||$c=="-"||$c=="*" ){
 $tag=$tag.$c;
 } else {
 // end of tag
 $j--;
 break;
 }
 }
 return $tag;

}