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

В областта на софтуерната разработка, работата с текст от различни типове файлове може да бъде сложна, но е често срещана задача. Независимо дали създавате система за управление на документи, инструмент за анализ на съдържание или търсачка, способността да извличате текст от PDF‑ове, Word документи, електронни таблици и други файлови формати е от съществено значение. Тук идва на помощ библиотеката PHP‑Apache‑Tika. Apache Tika е гъвкава набор от инструменти, създаден за управление на задачи по анализ на съдържание. Можете да използвате Tika, за да изтеглите метаданни и текст от различни файлови типове като PDF‑ове, файлове от Microsoft Office и изображения. Tika първоначално е написана на Java. Често се разполага като отделен сървър, достъпен чрез HTTP. Този подход позволява на различни програмни езици, като PHP, да се възползват от мощните възможности на Tika, без да се налага да създават сложни процеси за парсиране от нулата.

Библиотеката поддържа множество функции като извличане на текст и HTML, извличане на метаданни, подобрено обработване на грешки, OCR разпознаване, стандартизирани метаданни за документи, поддръжка на локални и отдалечени ресурси и много други. PHP‑Apache‑Tika свързва PHP приложенията със сървъра на Apache Tika. Вместо да създавате свои парсери или конвертори, можете да разчитате на тази библиотека, за да изпращате документи към сървъра на Tika и да получавате чист, извлечен текст или метаданни в отговор. Това не само опростява процеса на разработка, но и гарантира, че вашето приложение се възползва от непрекъснатите подобрения и широката поддръжка на формати на Tika. Независимо дали разработвате сложна система за управление на документи или лек инструмент за анализ на съдържание, PHP‑Apache‑Tika предлага надеждно и гъвкаво решение.

• Накратко
• Платформена независимост
• Поддържани файлови формати

composer require vaites/php-apache-tika

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

require_once 'vendor/autoload.php';

use Vaites\ApacheTika\TikaClient;

// Initialize the Tika client with the Tika server URL
$client = new TikaClient('http://localhost:9998');

// Define the path to the document (e.g., PDF, DOCX, etc.)
$filePath = '/path/to/your/document.pdf';

try {
    // Extract text content from the document
    $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;

// Initialize the Tika client
$client = new TikaClient('http://localhost:9998');

// Specify the document file path
$filePath = '/path/to/your/document.pdf';

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