精准计算Word文档页数的PHP类
WordPageCounter 文档
概述
WordPageCounter 是一个 PHP 类，用于计算 Microsoft Word (.docx) 文档的页数。它通过解析文档的 XML 结构和内容来估算页数，而不是依赖文档元数据中的页数信息（因为元数据可能不准确）。
功能特性
-
支持 .docx 格式的 Word 文档
-
两种页数计算方式：
-
从文档属性 (app.xml) 中直接读取页数（如果存在且有效）
-
基于文档内容和格式进行页数估算
-
-
考虑多种文档元素：
-
页面大小和方向
-
页边距
-
段落间距
-
字体大小
-
分页符和分节符
-
多栏布局
-
类结构
属性
-
$filePath: 文档文件路径 -
$zipArchive: ZipArchive 实例，用于处理 docx 文件 -
$documentXml: 文档主体内容 (word/document.xml) 的 SimpleXMLElement 对象 -
$appXml: 文档属性 (docProps/app.xml) 的 SimpleXMLElement 对象 -
$stylesXml: 样式定义 (word/styles.xml) 的 SimpleXMLElement 对象 -
$sectionProperties: 文档各节的页面属性数组 -
$styles: 文档中定义的样式集合
主要方法
__construct(string $filePath)
构造函数，初始化 WordPageCounter 实例并加载文档内容。
getPageCount(): int
获取文档页数的主要方法。首先尝试从 app.xml 中获取页数，如果不可用则基于内容计算。
initialize(): void
初始化方法，加载并解析文档内容。执行以下操作：
-
检查文件存在性和格式
-
打开 docx 文件作为 zip 存档
-
加载文档主体、属性和样式 XML
-
提取样式信息和节属性
辅助方法
-
parseXml(string $xmlContent): SimpleXMLElement- 解析 XML 字符串 -
extractStyles(): void- 从 styles.xml 提取样式信息 -
extractSectionProperties(): void- 从 document.xml 提取节属性 -
calculatePageCountFromDocument(): int- 基于内容计算页数 -
calculateParagraphHeight(DOMXPath, DOMElement, int): int- 计算段落高度
技术细节
页数计算逻辑
-
从 app.xml 获取（如果存在且有效）：
-
直接读取
<Pages>节点的值
-
-
基于内容计算：
-
遍历文档中的所有段落
-
检测分页符和分节符
-
根据页面大小、边距和内容高度计算页数
-
考虑段落间距、字体大小和行距
-
单位系统
使用 Word 内部的 "twips" 单位（1 twip = 1/1440 英寸）进行计算。
默认值
当某些属性未定义时使用以下默认值：
-
页面大小：A4 (11906 × 16838 twips)
-
页边距：1 英寸 (1440 twips)
-
行距：12 磅 (240 twips)
-
字体大小：12 磅 (240 twips)
使用示例
php
try {$counter = new WordPageCounter('example.docx');$pageCount = $counter->getPageCount();echo "The document has approximately {$pageCount} pages.";
} catch (\Exception $e) {echo "Error: " . $e->getMessage();
}
注意事项
-
仅支持 .docx 格式（基于 Open XML 的 Word 文档）
-
基于内容的页数计算是估算值，可能与 Word 实际显示的页数有差异
-
复杂的文档元素（如表格、图片、浮动对象）可能影响计算准确性
-
需要 PHP 的 Zip 和 XML 扩展支持
异常处理
类可能抛出以下异常：
-
RuntimeException: 文件不存在、无法打开或 XML 解析失败 -
InvalidArgumentException: 文件不是 .docx 格式
详细代码如下：
<?php
declare(strict_types=1);namespace WordPageCounter;use ZipArchive;
use SimpleXMLElement;
use DOMDocument;
use DOMXPath;/*** WordPageCounter类用于精确计算Word文档的页数* 通过解析Word文档的XML结构，考虑文本、图片、表格、表单和Visio对象等因素*/
class WordPageCounter
{private string $filePath; // Word文档文件路径private ?ZipArchive $zipArchive = null; // 用于处理docx文件的ZipArchive对象private ?SimpleXMLElement $documentXml = null; // document.xml内容private ?SimpleXMLElement $appXml = null; // app.xml内容（包含页数信息）private ?SimpleXMLElement $stylesXml = null; // styles.xml内容（包含样式信息）private ?SimpleXMLElement $headerXml = null; // header.xml内容（页眉）private ?SimpleXMLElement $footerXml = null; // footer.xml内容（页脚）private array $sectionProperties = []; // 文档各节的属性（页面大小、边距等）private array $styles = []; // 文档样式定义private array $mediaFiles = []; // 文档中的媒体文件（图片等）private array $objects = []; // 文档中的嵌入对象（表单、Visio等）/*** 构造函数，初始化Word页数计算器* @param string $filePath Word文档路径*/public function __construct(string $filePath){$this->filePath = $filePath;$this->initialize();}/*** 初始化函数，加载Word文档并解析其内容*/private function initialize(): void{// 检查文件是否存在if (!file_exists($this->filePath)) {throw new \RuntimeException("File not found: {$this->filePath}");}// 检查文件是否为docx格式if (strtolower(pathinfo($this->filePath, PATHINFO_EXTENSION)) !== 'docx') {throw new \InvalidArgumentException("Only .docx files are supported");}// 禁用libxml错误输出，改为内部处理libxml_use_internal_errors(true);// 打开docx文件（实际上是zip压缩包）$this->zipArchive = new ZipArchive();if ($this->zipArchive->open($this->filePath) !== true) {throw new \RuntimeException("Failed to open the docx file as a zip archive");}// 加载并解析document.xml（文档主要内容）$documentXmlContent = $this->zipArchive->getFromName('word/document.xml');if ($documentXmlContent === false) {throw new \RuntimeException("Failed to extract document.xml from the docx file");}$this->documentXml = $this->parseXml($documentXmlContent);// 加载并解析app.xml（包含文档元数据，可能包含页数）$appXmlContent = $this->zipArchive->getFromName(