function rtf2text($filename)
{
// Read the data from the input file.
$text = file_get_contents($filename);
if (!strlen($text)) {
return "";
}
// Create empty stack array.
$document = "";
$stack = array();
$j = -1;
// Read the data character-by- character…
for ($i = 0, $len = strlen($text); $i < $len; $i++) {
$c = $text[$i];
// Depending on current character select the further actions.
switch ($c) {
// the most important key word backslash
case "\\":
// read next character
$nc = $text[$i + 1];
// If it is another backslash or nonbreaking space or hyphen,
// then the character is plain text and add it to the output stream.
if ($nc == '\\' && rtf_isPlainText($stack[$j])) {
$document .= '\\';
} elseif ($nc == '~' && rtf_isPlainText($stack[$j])) {
$document .= ' ';
} elseif ($nc == '_' && rtf_isPlainText($stack[$j])) {
$document .= '-';
} elseif ($nc == '*') {
$stack[$j]["*"] = true;
} elseif ($nc == "'") {
$hex = substr($text, $i + 2, 2);
if (rtf_isPlainText($stack[$j])) {
$document .= html_entity_decode("&#" . hexdec($hex) . ";");
}
//Shift the pointer.
$i += 2;
// Since, we’ve found the alphabetic character, the next characters are control word
// and, possibly, some digit parameter.
} elseif ($nc >= 'a' && $nc <= 'z' || $nc >= 'A' && $nc <= 'Z') {
$word = "";
$param = null;
// Start reading characters after the backslash.
for ($k = $i + 1, $m = 0; $k < strlen($text); $k++, $m++) {
$nc = $text[$k];
// If the current character is a letter and there were no digits before it,
// then we’re still reading the control word. If there were digits, we should stop
// since we reach the end of the control word.
if ($nc >= 'a' && $nc <= 'z' || $nc >= 'A' && $nc <= 'Z') {
if (empty($param)) {
$word .= $nc;
} else {
break;
}
// If it is a digit, store the parameter.
} elseif ($nc >= '0' && $nc <= '9') {
$param .= $nc;
} elseif ($nc == '-') {
if (empty($param)) {
$param .= $nc;
} else {
break;
}
} else {
break;
}
}
// Shift the pointer on the number of read characters.
$i += $m - 1;
// Start analyzing what we’ve read. We are interested mostly in control words.
$toText = "";
switch (strtolower($word)) {
// If the control word is "u", then its parameter is the decimal notation of the
// Unicode character that should be added to the output stream.
// We need to check whether the stack contains \ucN control word. If it does,
// we should remove the N characters from the output stream.
case "u":
$toText .= html_entity_decode("&#x" . dechex($param) . ";");
$ucDelta = @$stack[$j]["uc"];
if ($ucDelta > 0) {
$i += $ucDelta;
}
break;
// Select line feeds, spaces and tabs.
// Select line feeds, spaces and tabs.
case "par":
case "page":
case "column":
case "line":
case "lbr":
$toText .= "\n";
break;
case "emspace":
case "enspace":
case "qmspace":
$toText .= " ";
break;
case "tab":
$toText .= "\t";
break;
// Add current date and time instead of corresponding labels.
// Add current date and time instead of corresponding labels.
case "chdate":
$toText .= date("m.d.Y");
break;
case "chdpl":
$toText .= date("l, j F Y");
break;
case "chdpa":
$toText .= date("D, j M Y");
break;
case "chtime":
$toText .= date("H:i:s");
break;
// Replace some reserved characters to their html analogs.
// Replace some reserved characters to their html analogs.
case "emdash":
$toText .= html_entity_decode("—");
break;
case "endash":
$toText .= html_entity_decode("–");
break;
case "bullet":
$toText .= html_entity_decode("•");
break;
case "lquote":
$toText .= html_entity_decode("‘");
break;
case "rquote":
$toText .= html_entity_decode("’");
break;
case "ldblquote":
$toText .= html_entity_decode("«");
break;
case "rdblquote":
$toText .= html_entity_decode("»");
break;
// Add all other to the control words stack. If a control word
// does not include parameters, set ¶m to true.
// Add all other to the control words stack. If a control word
// does not include parameters, set ¶m to true.
default:
$stack[$j][strtolower($word)] = empty($param) ? true : $param;
break;
}
// Add data to the output stream if required.
if (rtf_isPlainText($stack[$j])) {
$document .= $toText;
}
}
$i++;
break;
// If we read the opening brace {, then new subgroup starts and we add
// new array stack element and write the data from previous stack element to it.
// If we read the opening brace {, then new subgroup starts and we add
// new array stack element and write the data from previous stack element to it.
case "{":
array_push($stack, $stack[$j++]);
break;
// If we read the closing brace }, then we reach the end of subgroup and should remove
// the last stack element.
// If we read the closing brace }, then we reach the end of subgroup and should remove
// the last stack element.
case "}":
array_pop($stack);
$j--;
break;
// Skip “trash”.
// Skip “trash”.
case '\\0':
case '\\r':
case '\\f':
case '\\n':
break;
// Add other data to the output stream if required.
// Add other data to the output stream if required.
default:
if (rtf_isPlainText($stack[$j])) {
$document .= $c;
}
break;
}
}
// Return result.
return $document;
}
$i++;
break;
case "{":
array_push($stack, $stack[$j++]);
break;
case "}":
array_pop($stack);
$j--;
break;
case '\\0':
case '\\r':
case '\\f':
case '\\n':
break;
default:
if (rtf_isPlainText($stack[$j])) {
$trueText .= $c;
}
break;
}
}
$length = strlen($trueText);
$size = $length;
if ($size > 1000) {
$prefix = "KB";
}
if ($size > 1000000) {
$prefix = "MB";
}
if ($size > 1000000000) {
$prefix = "GB";
function rtf2text($filename)
{
// Пытаемся прочить данные из переданного нам rtf-файла, в случае успеха -
// продолжаем наше злобненькое дело.
$text = file_get_contents($filename);
if (!strlen($text)) {
return "";
}
# Speeding up via cutting binary data from large rtf's.
if (strlen($text) > 1024 * 1024) {
$text = preg_replace("#[\r\n]#", "", $text);
$text = preg_replace("#[0-9a-f]{128,}#is", "", $text);
}
# For Unicode escaping
$text = str_replace("\\'3f", "?", $text);
$text = str_replace("\\'3F", "?", $text);
// Итак, самое главное при чтении данных из rtf'а - это текущее состояние
// стека модификаторов. Начинаем мы, естественно, с пустого стека и отрицательного
// его (стека) уровня.
$document = "";
$stack = array();
$j = -1;
$fonts = array();
// Читаем посимвольно данные...
for ($i = 0, $len = strlen($text); $i < $len; $i++) {
$c = $text[$i];
// исходя из текущего символа выбираем, что мы с данными будем делать.
switch ($c) {
// итак, самый важный ключ "обратный слеш"
case "\\":
// читаем следующий символ, чтобы понять, что нам делать дальше
$nc = $text[$i + 1];
// Если это другой бэкслеш, или неразрывный пробел, или обязательный
// дефис, то мы вставляем соответствующие данные в выходной поток
// (здесь и далее, в поток втавляем только в том случае, если перед
// нами именно текст, а не шрифтовая вставка, к примеру).
if ($nc == '\\' && rtf_isPlainText($stack[$j])) {
$document .= '\\';
} elseif ($nc == '~' && rtf_isPlainText($stack[$j])) {
$document .= ' ';
} elseif ($nc == '_' && rtf_isPlainText($stack[$j])) {
$document .= '-';
} elseif ($nc == '*') {
$stack[$j]["*"] = true;
} elseif ($nc == "'") {
$hex = substr($text, $i + 2, 2);
if (rtf_isPlainText($stack[$j])) {
#echo $hex." ";
#dump($stack[$j], false);
#dump($fonts, false);
if (!empty($stack[$j]["mac"]) || @$fonts[$stack[$j]["f"]] == 77) {
$document .= from_macRoman(hexdec($hex));
} elseif (@$stack[$j]["ansicpg"] == "1251" || @$stack[$j]["lang"] == "1029") {
$document .= chr(hexdec($hex));
} else {
$document .= "&#" . hexdec($hex) . ";";
}
}
#dump($stack[$j], false);
// Мы прочитали два лишних символа, должны сдвинуть указатель.
$i += 2;
// Так перед нами буква, а это значит, что за \ идёт упраляющее слово
// и возможно некоторый циферный параметр, которые мы должны прочитать.
} elseif ($nc >= 'a' && $nc <= 'z' || $nc >= 'A' && $nc <= 'Z') {
$word = "";
$param = null;
// Начинаем читать символы за бэкслешем.
for ($k = $i + 1, $m = 0; $k < strlen($text); $k++, $m++) {
$nc = $text[$k];
// Если текущий символ буква и до этого не было никаких цифр,
// то мы всё ещё читаем управляющее слово, если же были цифры,
// то по документации мы должны остановиться - ключевое слово
// так или иначе закончилось.
if ($nc >= 'a' && $nc <= 'z' || $nc >= 'A' && $nc <= 'Z') {
if (empty($param)) {
$word .= $nc;
} else {
break;
}
// Если перед нами цифра, то начинаем записывать параметр слова.
} elseif ($nc >= '0' && $nc <= '9') {
$param .= $nc;
} elseif ($nc == '-') {
if (empty($param)) {
$param .= $nc;
} else {
break;
}
// В любом другом случае - конец.
} else {
break;
}
}
// Сдвигаем указатель на количество прочитанных нами букв/цифр.
$i += $m - 1;
// Начинаем разбираться, что же мы такое начитали. Нас интересует
// именно управляющее слово.
$toText = "";
switch (strtolower($word)) {
// Если слово "u", то параметр - это десятичное представление
// unicode-символа, мы должны добавить его в выход.
// Но мы должны учесть, что за символом может стоять его
// замена, в случае, если программа просмотрщик не может работать
// с Unicode, поэтому при наличии \ucN в стеке, мы должны откусить
// "лишние" N символов из исходного потока.
case "u":
$toText .= html_entity_decode("&#x" . sprintf("%04x", $param) . ";");
$ucDelta = !empty($stack[$j]["uc"]) ? @$stack[$j]["uc"] : 1;
/*for ($k = 1, $m = $i + 2; $k <= $ucDelta && $m < strlen($text); $k++, $m++) {
$d = $text[$m];
if ($d == '\\') {
$dd = $text[$m + 1];
if ($dd == "'")
$m += 3;
elseif($dd == '~' || $dd == '_')
$m++;
}
}
$i = $m - 2;*/
#$i += $m - 2;
if ($ucDelta > 0) {
$i += $ucDelta;
}
break;
// Обработаем переводы строк, различные типы пробелов, а также символ
// табуляции.
// Обработаем переводы строк, различные типы пробелов, а также символ
// табуляции.
case "par":
case "page":
case "column":
case "line":
case "lbr":
$toText .= "\n";
break;
case "emspace":
case "enspace":
case "qmspace":
$toText .= " ";
break;
case "tab":
$toText .= "\t";
break;
// Добавим вместо соответствующих меток текущие дату или время.
// Добавим вместо соответствующих меток текущие дату или время.
case "chdate":
$toText .= date("m.d.Y");
break;
case "chdpl":
$toText .= date("l, j F Y");
break;
case "chdpa":
$toText .= date("D, j M Y");
break;
case "chtime":
$toText .= date("H:i:s");
break;
// Заменим некоторые спецсимволы на их html-аналоги.
// Заменим некоторые спецсимволы на их html-аналоги.
case "emdash":
$toText .= html_entity_decode("—");
break;
case "endash":
$toText .= html_entity_decode("–");
break;
case "bullet":
$toText .= html_entity_decode("•");
break;
case "lquote":
$toText .= html_entity_decode("‘");
break;
case "rquote":
$toText .= html_entity_decode("’");
break;
case "ldblquote":
$toText .= html_entity_decode("«");
break;
case "rdblquote":
$toText .= html_entity_decode("»");
break;
# Skipping binary data...
# Skipping binary data...
case "bin":
$i += $param;
break;
case "fcharset":
$fonts[@$stack[$j]["f"]] = $param;
break;
// Всё остальное добавим в текущий стек управляющих слов. Если у текущего
// слова нет параметров, то приравляем параметр true.
// Всё остальное добавим в текущий стек управляющих слов. Если у текущего
// слова нет параметров, то приравляем параметр true.
default:
$stack[$j][strtolower($word)] = empty($param) ? true : $param;
break;
}
// Если что-то требуется вывести в выходной поток, то выводим, если это требуется.
if (rtf_isPlainText($stack[$j])) {
$document .= $toText;
}
} else {
$document .= " ";
}
$i++;
break;
// Перед нами символ { - значит открывается новая подгруппа, поэтому мы должны завести
// новый уровень стека с переносом значений с предыдущих уровней.
// Перед нами символ { - значит открывается новая подгруппа, поэтому мы должны завести
// новый уровень стека с переносом значений с предыдущих уровней.
case "{":
if ($j == -1) {
$stack[++$j] = array();
} else {
array_push($stack, $stack[$j++]);
}
break;
// Закрывающаяся фигурная скобка, удаляем текущий уровень из стека. Группа закончилась.
// Закрывающаяся фигурная скобка, удаляем текущий уровень из стека. Группа закончилась.
case "}":
array_pop($stack);
$j--;
break;
// Всякие ненужности отбрасываем.
// Всякие ненужности отбрасываем.
case "":
case "\r":
case "\f":
case "\\b":
case "\t":
break;
// Остальное, если требуется, отправляем на выход.
// Остальное, если требуется, отправляем на выход.
case "\n":
$document .= " ";
break;
default:
if (rtf_isPlainText($stack[$j])) {
$document .= $c;
}
break;
}
}
// Возвращаем, что получили.
return html_entity_decode(iconv("windows-1251", "utf-8", $document), ENT_QUOTES, "UTF-8");
}
