Free PHP API to Extract Text & Metadata from PDF and Images

Proqram təminatı inkişafı sahəsində müxtəlif növ fayllardan mətnlə işləmək çətin ola bilər, lakin tez-tez görülən bir vəzifədir. Sənədləri idarə edən bir sistem, məzmunu təhlil edən bir alət və ya axtarış mühərriki yaratsanız da, PDF‑lərdən, Word sənədlərindən, cədvəllərdən və digər fayl formatlarından mətn çıxarmaq vacibdir. Burada PHP‑Apache‑Tika kitabxanası dəyər qazanır. Apache Tika, məzmun təhlili işlərini idarə etmək üçün hazırlanmış elastik bir alət dəstidir. Tika‑dan PDF‑lər, Microsoft Office faylları və şəkillər kimi müxtəlif fayl növlərinin metaverilənlərini və mətnini çıxarmaq üçün istifadə edə bilərsiniz. Tika ilkin olaraq Java‑da kodlaşdırılıb. Çox vaxt öz serveri kimi quraşdırılır və HTTP vasitəsilə əlçatan olur. Bu üsul, PHP kimi müxtəlif proqramlaşdırma dillərinə, sıfırdan mürəkkəb parsinq prosesləri yaratmadan, Tika‑nın güclü imkanlarından faydalanmağa imkan verir.

Kitabxana mətn və HTML çıxarılması, metaverilənlərin çıxarılması, daha yaxşı səhv idarəetməsi, OCR tanıma, sənədlər üçün standartlaşdırılmış metaverilənlər, yerli və uzaq mənbələrə dəstək və daha bir çox xüsusiyyətləri dəstəkləyir. PHP‑Apache‑Tika kitabxanası PHP tətbiqlərini Apache Tika serveri ilə birləşdirir. Öz parsinq və ya konvertasiya alətlərinizi yaratmaq yerinə, bu kitabxanadan istifadə edərək sənədləri Tika serverinə göndərə və təmiz, çıxarılmış mətn və ya metaverilənləri geri ala bilərsiniz. Bu, yalnız inkişaf prosesini sadələşdirmir, həm də tətbiqinizin Tika‑nın davamlı təkmilləşdirmələrindən və geniş format dəstəyindən faydalanmasını təmin edir. Çətin sənəd idarəetmə sistemi və ya yüngül məzmun təhlili aləti yaratmağınızdan asılı olmayaraq, PHP‑Apache‑Tika kitabxanası etibarlı və elastik bir həll təqdim edir.

• Ümumi Baxış
• Platformadan Asılı Olmama
• Dəstəklənən Fayl Formatları

composer require vaites/php-apache-tika

git clone https://github.com/fizzday/OcrPHP.git 

require_once 'vendor/autoload.php';

use Vaites\ApacheTika\TikaClient;

// Tika serverinin URL‑i ilə müştəriyi başlat
$client = new TikaClient('http://localhost:9998');

// Sənədin yolunu təyin edin (məs., PDF, DOCX və s.)
$filePath = '/path/to/your/document.pdf';

try {
    // Sənəddən mətn məzmununu çıxar
    $extractedText = $client->extract($filePath);
    echo "Extracted Text:\n" . $extractedText;
} catch (\Exception $e) {
    echo "Error extracting text: " . $e->getMessage();
}

require_once 'vendor/autoload.php';

use Vaites\ApacheTika\TikaClient;

// Tika müştərisini başlat
$client = new TikaClient('http://localhost:9998');

// Sənədin yolunu göstərin
$filePath = '/path/to/your/document.pdf';

try {
    // Sənəddən metaverilənləri çıxar
    $metadata = $client->getMetadata($filePath);
    echo "Extracted Metadata:\n";
    print_r($metadata);
} catch (\Exception $e) {
    echo "Error extracting metadata: " . $e->getMessage();
}