Текст любой ценой: WCBFF и DOC

[Slivus]

Отличный пост! Спасибо!

[Fesor]

Windows Подворье двоичных файлов формата

Смешно)

[Fesor]

была бы библиотека которая из DOC файлов и форматирование некоторое вырывала бы… для DOCX не так уж и сложно сделать…

[nsinreal]

WCBFF — это не «Windows Подворье двоичных файлов формата», а «Смешанный Бинарный Файловый Формат».

[Wott]

А в каком переводчике этот вариант? :)

PS. Compound — скорее «составной» а не «смешаный» в данном контексте.

[nsinreal]

В том же google, но если переводить слово отдельно. Составной — не звучит. А смешанный — подходящий синоним. ИМХО.

[Rembish]

Ну что Вы в самом деле — чтобы получить только текст в doc и cfb нужно прочитать порядка 100 страниц документации на неродном языке. Чтобы не делать текст совсем сухим и техническим, я и разбавил его маленькой, возможно плоской шуткой.

Я бы название формата вообще расшифровал, как «структурированный бинарный файловый формат».

[Rembish]

Месьё, где Ваше чувство юмора?

[lashtal]

А из PSD не планируется текст вытягивать?
Мнение гуглоразработчика по поводу этого формата есть:
code.google.com/p/xee/source/browse/trunk/XeePhotoshopLoader.m?spec=svn28&r=11#107
интересно будет почитать комменты хабровчанина ;)

[Fesor]

Мне кажется вот это уже лишее.

[Rembish]

Скажем так (без оглядки на структуру формата, его сложность и добрые слова разработчика) этот формат мне в данный момент не интересен. Более того, я могу сказать, что я не считаю DOC или CFB плохими форматами, в то время когда они были изобретены, они здорово увеличивали скорость работы с документами на нешибко скорых компьютерах. Вполне возможно, что PSD шёл по тому же пути.

[jonijones]

Оказывается не так всё просто =(

[Rembish]

Ага, совсем чуть-чуть непросто. Следующая цель — текст из PPT.

[Prapor]

Эта статья то, за что я люблю Хабрахабр! Спасибо.

[not_ice]

Круто. вот уж не думал, что микрософт изобретут файловую систему внутри файла )
а вообще вопрос — какой может быть профит от фрагментирования?

[Rembish]

А смысл избавляться от фрагментирования? Можно сохранить файл под другим именем из MS Word'а, скорее всего внутренняя фрагментация уменьшится.

[murphy]

Очень познавательно, читается на одном дыхании, спасибо

[myem]

По идее везде в тексте стоит заменить CFB на CBF. Немного бросается в глаза.

[bolk]

А почему вы функцию unpack не используете?

[Rembish]

Я тоже задавался этим вопросом, уже пост фактум :) Вообще, это скорее лень пролистать лишний раз документацию, чтобы найти правильный велосипед… Скажем так, каюсь — не прав :)

[Ar2r]

Проблема… функция unicode_to_utf8 работает странно…

прогоняю через mb_strtolower($text, 'UTF-8'); и текст в нижний регистр не переводится.

Через вашу функцию, которая docx конвертит в текст — текст нормально в нижний регистр переводится. mb_* функции не понимают, что это UTf-8 и отказыаются работать с такими текстами.

[Ar2r]

Вот одну строчку заменил на Iconv. помогло.
if (!$isANSI) $part = iconv("UTF-16","CP1251", $part); //$part = $this->unicode_to_utf8($part);

[Ar2r]

т.е. вот правильная строка: $part = iconv('Windows-1251','UTF-8', iconv(«UTF-16»,«CP1251», $part));

[Ar2r]

+ Добавил обработчик на случай зацикленности. Число можно подобрать из рассчета максимального размера файла, который придется обрабатывать.

Таким образом тот файл просто не будет обработан.
while (($cp[] = $this->getLong($i, $pieceTable)) != $lastCP){ $i += 4; if($i>=200000)return ''; }

[rootkit]

спасибо!