Laravel 9中拆分DOCX/PDF页面并按页入库（适配右向语言）

一、PDF文件处理（解决波斯语/阿拉伯语乱码+分页提取） #

使用smalot/pdfparser库，它支持自定义字体映射，能有效处理RTL语言：

1. 安装依赖：

composer require smalot/pdfparser

2. 配置RTL字体支持：
   • 下载支持波斯语/阿拉伯语的字体（如Vazirmatn、Noto Naskh Arabic），放在Laravel项目的storage/fonts目录下。
   • 初始化PDF解析器时指定字体路径：

   use Smalot\PdfParser\Parser;
   use Smalot\PdfParser\Config;
   
   $config = new Config();
   $config->setFontDir(storage_path('fonts'));
   $config->setFontCache(storage_path('fonts/cache'));
   // 添加字体映射，覆盖默认缺失的RTL字体
   $config->setFonts([
       'Arial' => 'Vazirmatn-Regular.ttf',
       'Times New Roman' => 'NotoNaskhArabic-Regular.ttf',
   ]);
   
   $parser = new Parser($config);
   

3. 按页提取内容：

   $pdf = $parser->parseFile($uploadedFile->getPathname());
   $pages = $pdf->getPages();
   
   foreach ($pages as $index => $page) {
       $content = $page->getText();
       // 存入pages表
       Page::create([
           'book_id' => $book->id,
           'page_number' => $index + 1,
           'content' => $content,
           'language' => 'fa' // 或'ar'，根据书籍语言设置
       ]);
   }
   

二、DOCX文件分页提取 #

DOCX的分页标记在XML中是<w:br w:type="page"/>，用phpoffice/phpword库可以准确识别：

1. 安装依赖：

composer require phpoffice/phpword

2. 提取分页内容：

use PhpOffice\PhpWord\IOFactory;

$phpWord = IOFactory::load($uploadedFile->getPathname());
$sections = $phpWord->getSections();
$currentPageContent = '';
$pageNumber = 1;

foreach ($sections as $section) {
    foreach ($section->getElements() as $element) {
        // 检测分页符
        if ($element instanceof \PhpOffice\PhpWord\Element\Break && $element->getType() === \PhpOffice\PhpWord\Element\Break::TYPE_PAGE) {
            // 保存当前页内容
            Page::create([
                'book_id' => $book->id,
                'page_number' => $pageNumber++,
                'content' => $currentPageContent,
            ]);
            $currentPageContent = '';
            continue;
        }
        // 追加段落内容
        if ($element instanceof \PhpOffice\PhpWord\Element\TextRun) {
            foreach ($element->getElements() as $textElement) {
                $currentPageContent .= $textElement->getText() . ' ';
            }
        } elseif ($element instanceof \PhpOffice\PhpWord\Element\Text) {
            $currentPageContent .= $element->getText() . ' ';
        }
    }
}
// 保存最后一页内容
if (!empty(trim($currentPageContent))) {
    Page::create([
        'book_id' => $book->id,
        'page_number' => $pageNumber,
        'content' => $currentPageContent,
    ]);
}

三、TXT文件分页处理 #

TXT无原生分页标记，可自定义分页规则：

1. 按固定行数分页：

$content = file_get_contents($uploadedFile->getPathname());
$lines = explode("\n", $content);
$linesPerPage = 50; // 可配置，根据需求调整
$pages = array_chunk($lines, $linesPerPage);

foreach ($pages as $index => $pageLines) {
    $pageContent = implode("\n", $pageLines);
    Page::create([
        'book_id' => $book->id,
        'page_number' => $index + 1,
        'content' => $pageContent,
    ]);
}

2. 或按字符数分页（适合RTL语言，避免截断单词）：

$content = file_get_contents($uploadedFile->getPathname());
$charsPerPage = 2000;
$pageNumber = 1;
$start = 0;

while ($start < strlen($content)) {
    // 从末尾向前找空格，避免截断单词
    $end = min($start + $charsPerPage, strlen($content));
    if ($end < strlen($content)) {
        $end = strrpos(substr($content, 0, $end), ' ') + 1;
    }
    $pageContent = substr($content, $start, $end - $start);
    Page::create([
        'book_id' => $book->id,
        'page_number' => $pageNumber++,
        'content' => $pageContent,
    ]);
    $start = $end;
}

四、Laravel集成优化建议 #

• 异步处理：书籍上传后用Laravel队列处理文件解析入库，避免请求超时：

  // 上传控制器中
  ProcessBookPages::dispatch($book, $uploadedFile);
  

• 数据库字符集：确保pages表的content字段使用utf8mb4_unicode_ci字符集，支持RTL语言的所有字符。
• 语言识别：可集成语言检测库（如patrikstarlinger/php-language-detector）自动识别书籍语言，方便后续搜索和显示。

内容的提问来源于stack exchange，提问作者Kmaj