如何用PHP实现目录递归搜索多类型文件内容并生成匹配链接？

我在群晖NAS上搭建了公司内网页面，页面包含多个指向内部文档（操作指南、流程文件等）的链接。目前使用以下PHP脚本按部门展示指定目录下的文件链接：

<?php
    $dir = "./files_to_serve/Fabrication/How_To"; //Directory to be iterated for links
    if (is_dir($dir)){//make sure its a directory
        if ($dh = opendir($dir)){// Open a directory, read its contents
            while (($file = readdir($dh)) !== false){
               if ($file != "." and $file != "..") { // skip links "." and ".."
                   $encoded_file = rawurlencode($file);// replace spaces in filenames with %20, etc
                   echo "<a href=$dir/$encoded_file target=\"_blank\">$file</a><br><br>"; //create download links to files
               }
            }  
            closedir($dh);
        }
    }
?> <!-- End PHP -->

现在需要新增搜索功能：通过HTML表单输入字符串，递归搜索./files_to_serve目录下的所有文件（包含.xlsx等多种类型），返回包含匹配内容的文件链接列表（最好按相关性排序）。原本计划用PHP实现，但发现grep无法处理.xlsx这类文件，同时担心重复造轮子，想请教是否有现成的实现方法，或是可行的多类型文件内容搜索方案。注：此需求为目录文件递归搜索，非SQL数据库搜索。

方案1：PHP结合第三方库解析多格式文件 #

针对不同文件类型，用专门的PHP库提取文本内容后再搜索，适配绝大多数办公文档格式：

• Excel（.xlsx/.xls）：用PhpSpreadsheet读取单元格文本
• Word（.docx/.doc）：用PhpOffice/PhpWord提取文档内容
• PDF：用pdfparser库解析文本
• 普通文本/Markdown/CSV：直接读取文件内容匹配

核心实现步骤：

1. 编写递归遍历目录的函数，获取所有目标文件路径
2. 根据文件后缀调用对应库提取文本
3. 统计关键词匹配次数作为相关性得分
4. 按得分排序后生成文件链接列表

示例核心代码：

function searchFiles($dir, $keyword) {
    $matches = [];
    $iterator = new RecursiveIteratorIterator(new RecursiveDirectoryIterator($dir));
    
    foreach ($iterator as $file) {
        if (!$file->isFile()) continue;
        
        $content = '';
        $ext = strtolower($file->getExtension());
        
        // 按文件类型提取内容
        switch($ext) {
            case 'xlsx':
                $spreadsheet = \PhpOffice\PhpSpreadsheet\IOFactory::load($file->getPathname());
                foreach ($spreadsheet->getAllSheets() as $sheet) {
                    $content .= $sheet->getCellCollection()->getPlainText();
                }
                break;
            case 'docx':
                $phpWord = \PhpOffice\PhpWord\IOFactory::load($file->getPathname());
                foreach ($phpWord->getSections() as $section) {
                    foreach ($section->getElements() as $element) {
                        if (method_exists($element, 'getText')) {
                            $content .= $element->getText();
                        }
                    }
                }
                break;
            case 'txt': case 'md': case 'csv':
                $content = file_get_contents($file->getPathname());
                break;
            // 可扩展添加更多文件类型的解析逻辑
        }
        
        // 计算匹配次数作为相关性得分
        $matchCount = substr_count(strtolower($content), strtolower($keyword));
        if ($matchCount > 0) {
            $matches[] = [
                'path' => str_replace('./', '', $file->getPathname()),
                'name' => $file->getFilename(),
                'score' => $matchCount
            ];
        }
    }
    
    // 按相关性降序排序
    usort($matches, function($a, $b) {
        return $b['score'] - $a['score'];
    });
    
    return $matches;
}

方案2：借助群晖命令行工具辅助搜索 #

群晖支持SSH执行命令，可利用处理多格式文件的命令行工具转换文本后搜索：

• pandoc：将docx、pdf等格式转成纯文本
• xlsx2csv：将xlsx转成CSV格式提取文本
• antiword：提取.doc文件文本

实现思路：

1. 通过PHP的shell_exec()调用命令行脚本，递归搜索目标目录
2. 解析命令输出获取匹配文件路径
3. 生成链接列表返回前端

示例命令与PHP调用：

$keyword = $_POST['search_keyword'];
$safeKeyword = escapeshellarg($keyword);
// 构建搜索命令
$command = <<<CMD
find ./files_to_serve -type f \( -name "*.xlsx" -o -name "*.docx" -o -name "*.txt" -o -name "*.md" \) | while read file; do
    case "\${file##*.}" in
        xlsx) xlsx2csv "\$file" | grep -qi $safeKeyword && echo "\$file";;
        docx) pandoc -s "\$file" -t plain | grep -qi $safeKeyword && echo "\$file";;
        txt|md) grep -qi $safeKeyword "\$file" && echo "\$file";;
    esac
done
CMD;
$output = shell_exec($command);
$matches = array_filter(explode("\n", trim($output)));
// 后续处理生成文件链接

方案3：部署现成开源搜索工具 #

如果不想自行开发，可直接在群晖上部署开源文件搜索工具：

• Searchlight：轻量级Web文件内容搜索工具，支持多格式文档
• Elasticsearch + Filebeat：适合文件数量多的场景，定期扫描目录建立索引，搜索效率极高
• Seafile：自带文档搜索功能，同时可作为文件存储服务使用

这类工具自带Web界面，可直接嵌入内网页面或通过iframe集成，省去开发成本。

内容的提问来源于stack exchange，提问作者hderic