17370845950

PHP不原生支持RTF列表解析，需通过控制字（如\liN、\ilvlN、\pnl）识别层级与类型；可轻量正则+状态机解析，或使用rtf-parser库精准提取列表信息。

PHP 本身不原生支持 RTF 文件的语义解析，尤其是项目符号（bullets）、编号列表（numbered lists）这类格式标记。RTF 是一种带控制字（如 \bullet、\li、\ilvl、\pnl）的富文本格式，需手动解析其结构才能还原列表逻辑。直接用 file_get_contents() 只能拿到原始 RTF 字符串，无法识别“这是第几级的圆点列表项”。

理解 RTF 列表的关键控制字

RTF 中列表项不是靠视觉符号判断，而是由一组嵌套控制字协同定义：

• \liN：表示该段落相对于左页边的缩进值（单位为 twips），常用于区分层级
• \ilvlN：显示此段落在多级列表中的层级（0 = 一级，1 = 二级…）
• \pnl：标记该段落属于编号/项目符号列表（有时与 \lsN 配合）
• \bullet 或 \u8226：实际渲染的项目符号字符（Unicode 点号），但仅出现在内容区，不能单靠它判定列表结构
• \pard / \plain：段落结束或格式重置，是划分列表项的重要边界

轻量级解析思路：正则 + 状态机

不依赖外部库时，可用 PHP 正则提取段落块，再逐段分析控制字状态。核心步骤如下：

• 用 preg_split('/\\\\pard(?!\\\\)/', $rtf, -1, PREG_SPLIT_NO_EMPTY) 拆分段落（注意排除 \\parde 类干扰）
• 对每段用 preg_match_all('/\\\\(li|ilvl|pnl|bullet|u[0-9]+)/', $para, $matches) 提取关键指令
• 维护当前层级（$current_level）、是否在列表中（$in_list）、上一项缩进（用于判断是否新列表）
• 遇到 \pnl 且 \ilvlN 存在 → 触发列表项识别；结合 \liN 值变化判断嵌套或新列表
• 内容正文用 pr

  

  eg_replace('/\\\\[a-z]+\d*|\\\\\d+|\\\\\r|\\\\\n/', '', $text) 清理控制字，保留可读文字

推荐方案：用 rtf-parser 库（Composer）

更稳定的方式是使用已封装好的解析器，例如开源的 php-rtf（轻量）或 虽非专为 RTF 设计但可改造。安装后典型用法：

use Eymengunay\Rtf\RtfDocument;
$doc = RtfDocument::loadFile('list.rtf');
foreach ($doc->getParagraphs() as $para) {
    if ($para->hasListInfo()) {
        echo "Level: {$para->getListLevel()}, Type: {$para->getListType()} \n";
        echo "Text: {$para->getText()}\n";
    }
}

该类库内部已处理 \ls、\ilvl、\pnl 的映射关系，能准确返回列表类型（bullet/decimal/upperroman）和层级。

注意事项与避坑点

RTF 列表解析容易出错，需特别留意：

• 不同编辑器（Word / LibreOffice / WPS）生成的 RTF 结构差异大，有的省略 \ilvl，靠 \li 推断，有的用 \pnl + \ls1 组合
• 中文 RTF 常含 \\uc1 \\u8226? 类 Unicode 转义，需用 mb_convert_encoding() 或 iconv('UTF-16BE', 'UTF-8', ...) 处理
• 不要试图用 DOM 或 HTML 解析器直接打开 RTF —— 它不是 XML/HTML，会解析失败或乱码
• 若只需提取纯文本列表内容（不要格式），可先转为临时 DOCX 再用 phpoffice/phpword 读取（间接但兼容性好）