代码如下

:

 

/**

 

* 根据 HTML 代码获取 word 文档内容

 

* 创建一个本质为 mht 的文档，该函数会分析文件内容并从远程下载页面中的图片资源

 

* 该函数依赖于类 MhtFileMaker

 

* 该函数会分析 img 标签，提取 src 的属性值。但是，src 的属性值必须被引号包围，否则不

能提取

 

* 

 

* @param string $content HTML 内容

 

* @param string $absolutePath 网页的绝对路径。如果 HTML 内容里的图片路径为相对路径，

那么就需要填写这个参数，来让该函数自动填补成绝对路径。这个参数最后需要以

/结束

 

* @param bool $isEraseLink 是否去掉 HTML 内容中的链接

* by www.jb51.net

 

*/

function

 getWordDocument( 

$content

 , 

$absolutePath

 = "" , 

$isEraseLink

 = true )

{

    

$mht

 = 

new

 MhtFileMaker();

    

if

 (

$isEraseLink

)

        

$content

 = preg_replace('/<a\s*.*?\s*>(\s*.*?\s*)<\/a>/i' , '$1' , 

$content

);   

//去掉链接

    

$images

 = 

array

();

    

$files

 = 

array

();

    

$matches

 = 

array

();

    

//这个算法要求 src 后的属性值必须使用引号括起来

    

if

 ( preg_match_all('/<img[.\n]*?src\s*?=\s*?[\"\'](.*?)[\"\'](.*?)\/>/i',

$content

 ,

$matches

 ) )

    

{

        

$arrPath

 = 

$matches

[1];

        

for

 ( 

$i

=0;

$i

<

count

(

$arrPath

);

$i

++)

        

{

            

$path

 = 

$arrPath

[

$i

];

            

$imgPath

 = trim( 

$path

 );

            

if

 ( 

$imgPath

 != "" )

            

{

                

$files

[] = 

$imgPath

;

                

if

( 

substr

(

$imgPath

,0,7) == '

http://§

')

                

{

                    

//绝对链接，不加前缀

                

}

                

else

                

{

                    

$imgPath

 = 

$absolutePath

.

$imgPath

;

                

}

                

$images

[] = 

$imgPath

;

            

}