Discussion :

[caro0508]

Bonjour à tous,

je développe actuellement un intranet en Php avec bdd mysql sous serveur apache. J'ai un dossier contenant des fichiers word, pdf et openoffice dans lequel je dois pouvoir rechercher un mot-clé via un formulaire sur mon intranet et ressortir en résultat les liens des fichiers contenant ce mot clé....

Avez-vous une idée de la méthode à employer? Connaissez-vous peut -être une API qui pourrait m'aider ou des fonctions PHP que je pourrais utiliser?

Merci d'avance...

[Dendrite]

Il te faudra utiliser des librairies dédiées.
Moi, quand j'ai un .doc, je prends PHPWord, un .xls => PHPExcel, un .pdf => tcpdf pour les générer, pour les lire, je ne sais même pas si c'est possible, un .odt, heu je n'ai jamais eu à gérer des .odt, mais => phpodt a l'air d'exister.

[caro0508]

Bonjour Dendrite!

Merci de ta réponse! J'avais lu que je pouvais ouvrir un fichier avec la fonction fopen, ca ne suffit pas dans mon cas? Sachant que je ne veux pas manipuler les fichiers word/Pdf/ODT mais juste les lire et vérifie que ma chaine de caractères s'y trouve ou non?

Bonne journée. Cdt.

[Celira]

En gros, fopen fonctionne exactement comme Notepad : ça marche très bien si c'est un fichier texte (txt, csv, xml...) Par contre, si le fichier a un contenu binaire, tu vas obtenir de la bouillie de caractères.

Bon, si mes souvenirs sont exacts, les fichiers Word et Excel récents (docx et xlsx), et les fichiers ODT sont en fait des archives zip contenant des fichiers XML, donc en théorie, on peut les ouvrir avec ZipArchive (ou équivalent) et ensuite parcourir le contenu avec fopen. Mais c'est un chouia tordu comme technique.

Par contre, pour les PDF, il va obligatoirement te falloir un parser.

[caro0508]

Merci beaucoup

[domi65]

Bonjour à tous.
Il faut savoir que les fichiers Office (et Libreoffice), depuis 2007 (les docx, etc) sont en fait des zip . (il suffit de les renommer avec l'extension .zip pour comprendre leur architecture) composés d'une arborescence contenant une foultitude de fichiers xml. Ces fichiers étant compressés, on ne pourra pas y trouver une chaine spécifique telle qu'elle apparait dans office.

[badaze]

domi65 a raison. Les fichiers docx ou xlsx ne sont que des fichiers zippés.

Néanmoins même en les dézippant on n'arrivera pas à faire une recherche. En effet, tout ce qui est texte n'est pas forcément stocké tel quel dans un fichier. Par exemple pour les fichiers Excel les chaînes de caractères sont stockées dans un fichier à part et ce sont les références à ce fichier qui sont enregistrées dans celui qui contient un classeur. Quand j'ai écrit mon propre phpExcel c'est même ce qui m'a le plus embêté (avec la gestion des styles).
Pour les fichiers Word ce n'est pas exactement le même système mais d'après le peu que j'ai pu voir il y a une sorte de factorisation qui fait qu'un mot n'est pas forcément stocké entièrement. Bref à peu de choses près il faut simuler l'exécution du document pour faire une recherche.

Pour lire du Excel vous pouvez utiliser le script que j'ai posté sur le forum => https://php.developpez.com/telecharg...ers-Excel-xlsx

Pour Word j'avais commencé le même genre de boulot mais je n'ai pas trop de temps à consacrer; il y a énormément de travail de recherche à faire pour comprendre le fonctionnement et pas beaucoup de documentation ou d'exemples qui permettraient d'économiser du temps.

[badaze]

Un petit bout de code permettant de rechercher du texte dans un docx.

Ecrit en moins d'une heure donc peu testé et pas sûr que tous les cas soient gérés car il me semble que Word factorise du texte de temps en temps.

Code PHP :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
<?php
class findInDOCX {
 private $docxFileName; 
 private $patternStr   = "/<w:t[^>]*>([^<]*)<\/w:t>/msi";
 private $text;
 
 public function load($docxFileName) {
  if (!preg_match("/\.docx$/i",$docxFileName)) die("findInDOCX expects the file to be .docx"); 
  if (!file_exists($docxFileName)) die("findInDOCX expects the file $docxFileName to exist");
 
 
  $this->docxFileName = $docxFileName;
  $this->text   = "";
  $this->exec();  
 }
 
 
 private function exec() {
  $document          = 'word/document.xml';
  $this->resultArray = array();
 
  $zip               = new ZipArchive;
 
  if ($zip->open($this->docxFileName) === true) {
   $workDocument = $zip->getFromName($document);
   preg_match_all($this->patternStr,$workDocument,$arrText);
 
   foreach($arrText[1] as $key => $value) {
    $arrText[1][$key] = html_entity_decode($value,ENT_XML1);
   }
 
   $this->text = implode('',$arrText[1]);
   //var_dump($this->text);
   $zip->close();
  } else {
   die("findInDOCX => exec is unable to unzip ".$this->docxFileName);
  }
 } 
 
 public function find($searchString) {
  return preg_match("/".$searchString."/msi",$this->text) == 1 ? true : false;
 }
}
$a = new findInDOCX();
$a->load("xlsxExcelReader.class.php.docx");
echo $a->find('nommée') ? "trouvé" : "pas trouvé";
echo "<br/>";
echo $a->find('hike ') ? "trouvé" : "pas trouvé";

EDIT : en ajoutant une méthode on peut avoir le texte sans formatage bien sûr.