Bezplatné PHP API pro extrakci textu a metadat z PDF a obrázků

V oblasti vývoje softwaru může být práce s textem z různých typů souborů obtížná, ale je častým úkolem. Ať už vytváříte systém pro správu dokumentů, nástroj pro analýzu obsahu nebo vyhledávač, schopnost extrahovat text z PDF, Word dokumentů, tabulek a dalších formátů souborů je zásadní. Zde přichází na řadu knihovna PHP-Apache-Tika. Apache Tika je flexibilní nástroj určený pro správu úloh analýzy obsahu. Můžete použít Tiku k získání metadat a textu z různých typů souborů, jako jsou PDF, soubory Microsoft Office a obrázky. Tika byla původně napsána v Javě. Často je nasazena jako samostatný server, který je přístupný přes HTTP. Tento způsob umožňuje různým programovacím jazykům, například PHP, využívat silné možnosti Tiky, aniž by bylo nutné vytvářet složité procesy parsování od nuly.

Knihovna podporuje řadu funkcí, jako je extrakce textu a HTML, extrakce metadat, lepší zpracování chyb, rozpoznávání OCR, standardizovaná metadata pro dokumenty, podpora lokálních i vzdálených zdrojů a mnoho dalšího. Knihovna PHP-Apache-Tika propojuje PHP aplikace se serverem Apache Tika. Místo vytváření vlastních parserů nebo konvertorů můžete spoléhat na tuto knihovnu, která odešle dokumenty na server Tika a vrátí čistý extrahovaný text nebo metadata. To nejen zjednodušuje vývojový proces, ale také zajišťuje, že vaše aplikace těží z neustálých vylepšení Tiky a široké podpory formátů. Ať už vyvíjíte komplexní systém správy dokumentů nebo lehký nástroj pro analýzu obsahu, knihovna PHP-Apache-Tika poskytuje spolehlivé a flexibilní řešení.

• Na první pohled
• Nezávislost na platformě
• Podporované formáty souborů

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();
}