17370845950

PHP不原生支持RTF解析，需先读取文件内容，再用正则或状态机剥离控制字、转义符等非正文部分；推荐使用rtf-html-php等成熟类库转换为HTML后提取纯文本，并注意ANSI/Unicode编码转换以确保中文正常显示。

PHP 本身不原生支持解析 RTF（Rich Text Format）文件，因为 RTF 是一种带控制字和组结构的格式文本，不是纯文本或标准 XML。要读取并提取其中的**可见文字内容**（忽略格式），核心思路是：先用 PHP 读取 RTF 文件为字符串，再通过正则或状态机方式剥离 RTF 控制命令（如 {\rtf1\ansi\ansicpg936...）、转义符、字体表、颜色表等非正文部分，保留可读的 Unicode 或 ANSI 编码文本。

步骤一：用 file_get_contents 读取原始 RTF 内容

RTF 文件本质是文本文件（尽管含二进制转义），可用 PHP 基础函数读取：

• 确保文件存在且有读取权限，例如：file_exists('doc.rtf') 和 is_readable('doc.rtf')
• 使用 file_get_contents('doc.rtf') 获取完整字符串（注意：大文件建议用 fopen + fread 分块读取，避免内存溢出）
• RTF 通常以 {\rtf1 开头，编码可能为 ANSI、UTF-8 或 UTF-16（需检测 BOM 或 \ansicpg 指令）

步骤二：基础 RTF 文本提取（正则简化法）

适用于格式简单、无嵌套表格/图片/特殊对象的 RTF。以下是一个轻量级去格式示例（不依赖外部库）：

• 先用 preg_replace 去除所有花括号内的控制组（如 {\fonttbl...}、{\colortbl...}）——但需注意嵌套，简单正则无法完美处理，仅作初步清理
• 用 preg_replace('/\\\\[a-z]+\d*/i', '', $rtf) 去掉反斜杠开头的控制字（如 \par、\b、\fs24）
• 用 preg_replace('/\{|\}/', '', $rtf) 去掉剩余花括号（慎用，可能误删正文中的 {）
• 最后用 trim() 和 html_entity_decode()（若含 HTML 实体）辅助清理

步骤三：推荐使用成熟类库（更可靠）

手动解析 RTF 容易出错，尤其遇到 Unic

ode 转义（\uN?）、十六进制数据（'xx）、嵌套组时。建议引入专用解析器：

• rtf-html-php（GitHub 开源）：将 RTF 转为 HTML，再用 strip_tags() 提取纯文本，支持基本格式与编码转换
• php-rtf（较老但轻量）：提供 RtfParser 类，可获取段落、文本、属性等结构化数据
• 若项目已用 Composer，执行：composer require "stil/gift" --no-dev（gift 是一个 RTF→text 的小工具包）
• 调用示例（以 rtf-html-php 为例）：
  $html = RtfToHtml::convert(file_get_contents('doc.rtf'));
$text = strip_tags($html);

步骤四：注意编码与中文兼容性

中文 RTF 常用 \ansicpg936（GBK）或 \uc1 + \uN? 表示 Unicode 字符，PHP 处理时需转换：

• 检测 RTF 头部是否有 \ansicpg936，若有，用 mb_convert_encoding($text, 'UTF-8', 'GBK') 转码
• 遇到 \uN? 形式（如 \u12345?），需正则匹配并用 mb_chr($n, 'UTF-8') 还原（PHP 7.2+）
• 避免直接 echo 中文乱码，输出前统一设为 UTF-8：header('Content-Type: text/plain; charset=utf-8');