使用TBS/OPENTBS加载MS WORD 2007 .doc文件失败求助

问题根源 #

你的代码将.doc（二进制格式）和.docx（XML压缩包格式）混同处理，强制使用OPENTBS_ALREADY_UTF8参数加载.doc文件，但二进制Word文档并非UTF-8编码，导致解析错误；而Office编辑后会自动修复文件编码与结构，因此加载恢复正常。

解决步骤 #

1. 拆分.doc与.docx的处理逻辑
   两种格式结构差异极大，需分开处理：

   • .docx是XML压缩包，可保留原有的内部XML模板加载逻辑；
   • .doc是二进制复合文档，不支持直接读取word/header1.xml这类内部文件，且不能使用OPENTBS_ALREADY_UTF8参数。

2. 修改代码适配格式差异
   调整后的代码示例：

   } elseif ($extension == 'docx') {
       $tbs->LoadTemplate($args['path'], OPENTBS_ALREADY_UTF8);
       $templates = ['word/header1.xml', 'word/header2.xml', 'word/header3.xml', 'word/footer1.xml', 'word/footer2.xml', 'word/footer3.xml'];
       foreach ($templates as $template) {
           if ($tbs->Plugin(OPENTBS_FILEEXISTS, $template)) {
               $tbs->LoadTemplate("#{$template}", OPENTBS_ALREADY_UTF8);
               foreach ($dataToBeMerge as $key => $value) {
                   $tbs->MergeField($key, $value);
               }
           }
       }
       $tbs->PlugIn(OPENTBS_SELECT_MAIN);
   } elseif ($extension == 'doc') {
       // 加载二进制.doc文件，不指定UTF-8强制参数
       $tbs->LoadTemplate($args['path']);
       // 直接合并字段（.doc文件无XML模板结构）
       foreach ($dataToBeMerge as $key => $value) {
           $tbs->MergeField($key, $value);
       }
   }
   

3. 可选：检测文件真实类型
   避免后缀名误导，可通过文件头判断真实格式：

   • .docx文件头为PK\x03\x04
   • .doc文件头为\xD0\xCF\x11\xE0
     示例检测代码：

   $fileHeader = substr(file_get_contents($args['path'], false, null, 0, 4));
   $isDocx = ($fileHeader === "PK\x03\x04");
   $isDoc = ($fileHeader === "\xD0\xCF\x11\xE0");
   

   再根据检测结果执行对应逻辑。

4. 可选：批量转换.doc为.docx
   如果业务允许，可先用工具（如LibreOffice命令行）将.doc批量转为.docx，统一用XML格式处理，避免二进制编码问题：

   libreoffice --headless --convert-to docx input.doc
   

内容的提问来源于stack exchange，提问作者Rayan Joseph AKEL