PHP项目中Doc/PDF转CSV后导入MySQL的可行性咨询

嘿，我之前在PHP项目里处理过类似的需求，分享几个经过实践验证的方案给你：

一、先处理PDF转CSV的情况 #

PDF的情况分两种：可编辑的文本PDF和扫描生成的图片PDF，处理方式完全不一样：

1. 可编辑文本PDF转CSV #

最靠谱的方式是借助Poppler工具集里的pdftotext命令行工具（大部分Linux服务器默认没有，需要先安装：Ubuntu用apt install poppler-utils，CentOS用yum install poppler-utils）。

步骤：

• 用PHP调用pdftotext把PDF转成纯文本文件
• 解析纯文本，按照你的数据规则提取字段，生成符合标准的CSV

示例代码：

// 1. 把PDF转成带排版的纯文本
$pdfPath = '/path/to/your/target.pdf';
$txtPath = '/path/to/temp/output.txt';
// -layout参数保留原文档排版，方便后续按行/按字段解析
exec("pdftotext -layout {$pdfPath} {$txtPath}", $output, $returnVar);

if ($returnVar !== 0) {
    die('PDF转文本失败，请检查工具是否安装或文件路径是否正确');
}

// 2. 读取文本并解析成标准CSV
$txtContent = file_get_contents($txtPath);
$lines = explode(PHP_EOL, $txtContent);
$csvPath = '/path/to/final/result.csv';
$csvFile = fopen($csvPath, 'w');

// 这里假设文档每行数据用多个空格分隔，实际要根据你的文档格式调整
foreach ($lines as $line) {
    $trimmedLine = trim($line);
    if (empty($trimmedLine)) continue;
    // 把多个连续空格替换成单个，再拆分字段
    $fields = preg_split('/\s{2,}/', $trimmedLine);
    // 用fputcsv自动处理逗号、引号等特殊字符的转义，避免CSV格式错误
    fputcsv($csvFile, $fields);
}

fclose($csvFile);

2. 扫描版图片PDF转CSV #

这种情况需要先做OCR文字识别，推荐用Tesseract OCR工具（安装方式：Ubuntuapt install tesseract-ocr，CentOSyum install tesseract），结合PHP调用：

// 第一步：把PDF每页转成图片（用Poppler的pdftoppm命令）
exec("pdftoppm {$pdfPath} /path/to/temp/pdf_image -png", $output, $returnVar);
// 第二步：对生成的第一张图片做OCR（如果是多页PDF，需要循环处理所有图片）
exec("tesseract /path/to/temp/pdf_image-1.png /path/to/temp/ocr_result", $output, $returnVar);
// 后续步骤和文本PDF一致，读取OCR生成的文本文件，解析转成CSV

二、Doc/Docx转CSV的情况 #

1. Docx文件（推荐用PHPWord库） #

先通过Composer安装PHPWord：composer require phpoffice/phpword

示例代码：

require 'vendor/autoload.php';

$docxPath = '/path/to/your/target.docx';
$csvPath = '/path/to/final/result.csv';
$csvFile = fopen($csvPath, 'w');

$phpWord = \PhpOffice\PhpWord\IOFactory::load($docxPath);
$sections = $phpWord->getSections();

foreach ($sections as $section) {
    $elements = $section->getElements();
    foreach ($elements as $element) {
        if ($element instanceof \PhpOffice\PhpWord\Element\TextRun) {
            $lineText = '';
            // 提取文本块里的所有内容
            foreach ($element->getElements() as $textElement) {
                if ($textElement instanceof \PhpOffice\PhpWord\Element\Text) {
                    $lineText .= $textElement->getText();
                }
            }
            $trimmedText = trim($lineText);
            if (!empty($trimmedText)) {
                // 根据你的文档格式拆分字段，这里假设用空格分隔
                $fields = explode(' ', $trimmedText);
                fputcsv($csvFile, $fields);
            }
        }
    }
}

fclose($csvFile);

2. 旧版Doc文件 #

可以用unoconv命令行工具（需要先安装LibreOffice，因为unoconv依赖它），直接把Doc转成CSV：

$docPath = '/path/to/your/target.doc';
$csvPath = '/path/to/final/result.csv';
// -f 指定输出格式为csv，-o 指定输出路径
exec("unoconv -f csv {$docPath} -o {$csvPath}", $output, $returnVar);

if ($returnVar !== 0) {
    die('Doc转CSV失败，请检查LibreOffice和unoconv是否安装');
}

三、将CSV导入MySQL #

最高效的方式是用MySQL的LOAD DATA INFILE命令，比PHP循环插入快几个量级：

$dbHost = 'localhost';
$dbUser = 'your_db_user';
$dbPass = 'your_db_password';
$dbName = 'your_db_name';
$csvPath = '/path/to/final/result.csv';

$conn = new mysqli($dbHost, $dbUser, $dbPass, $dbName);
if ($conn->connect_error) {
    die('数据库连接失败: ' . $conn->connect_error);
}

// 如果CSV文件有表头，用IGNORE 1 LINES跳过第一行
// 注意：如果是远程服务器，可能需要调整MySQL的secure_file_priv参数，或者改用LOAD DATA LOCAL INFILE
$sql = "LOAD DATA INFILE '{$csvPath}' 
        INTO TABLE your_target_table
        FIELDS TERMINATED BY ',' 
        ENCLOSED BY '\"'
        LINES TERMINATED BY '\n'
        IGNORE 1 LINES;";

if ($conn->query($sql) === TRUE) {
    echo 'CSV导入数据库成功';
} else {
    echo '导入失败: ' . $conn->error;
}

$conn->close();

一些关键注意事项 #

• 不同文档的格式差异极大，解析时一定要根据你的实际数据结构调整字段拆分逻辑（比如有的文档是制表符分隔，有的是固定宽度）
• 处理中文时要确保PDF/Doc的编码、PHP环境编码、MySQL编码一致（推荐统一用UTF-8）
• 命令行工具的权限问题：要确保PHP进程有执行这些命令的权限，以及读写文件路径的权限

内容的提问来源于stack exchange，提问作者user8579791