1. produkty
  2.   PDF
  3.   PHP
  4.   PDF-to-Text
 
  

Bezplatné PHP API pro převod PDF nebo konkrétní části na text

Open source PHP knihovna, která umožňuje vývojářům softwaru extrahovat text z PDF nebo konkrétní stránky PDF souboru v PHP aplikacích.

Co je PDF-to-Text?

PDF jsou standardní formát pro digitální dokumenty napříč všemi odvětvími – od financí a zdravotnictví po vzdělávání a právní oblast. Nicméně extrahování smysluplného textového obsahu z PDF může být pro vývojáře softwaru výzvou. Naštěstí knihovna PDF-to-Text od Spatie tuto úlohu zjednodušuje a zefektivňuje pro PHP vývojáře. Tento open source nástroj poskytuje čistý a lehký wrapper kolem výkonného binárního souboru pdftotext z balíčku poppler-utils. Knihovna má intuitivní rozhraní, které umožňuje vývojářům extrahovat text pomocí jen několika řádků kódu. Podporuje vícestránkové dokumenty, PDF s sloupci, vložená písma a obrázky, předpřipravené PDF (pokud je OCR předem aplikováno) a mnoho dalšího.

Spatie PDF-to-Text je open source PHP knihovna, která umožňuje vývojářům softwaru extrahovat prostý text z PDF souborů. Funguje jako PHP obal kolem příkazového řádku utility pdftotext, součásti sady Poppler. To znamená, že se nespoléhá na PHP knihovny pro parsování PDF, ale využívá osvědčený binární nástroj, který je rychlý a vysoce přesný. Přestože je knihovna napsána v PHP, funguje bez problémů na různých operačních systémech (Linux, macOS a Windows), pokud je k dispozici binární soubor pdftotext. Je lehká a nevyžaduje žádné zbytečné knihovny třetích stran. To ji činí rychlejší, snadněji udržovatelnou a méně náchylnou k selhání kvůli aktualizacím nesouvisejících závislostí.

Začínáme s PDF-to-Text

Pro spuštění PDF-to-Text nejprve potřebujete nainstalovat PHP verze 5.3 nebo vyšší. Nejjednodušší způsob instalace PDF-to-Text je pomocí Composeru. Použijte prosím následující příkaz pro hladkou instalaci.

Instalovat PDF-to-Text pomocí Composeru

composer require spatie/pdf-to-text

Instalovat PDF-to-Text pomocí Git příkazu

git clone https://github.com/spatie/pdf-to-text.git 
cd dompdf/lib

Extrahovat text z PDF souboru pomocí PHP API

Otevřená knihovna Spatie PDF-to-Text je navržena minimalisticky, zaměřuje se na jediný úkol – extrahování textu z PDF – a dělá to dobře. Její jednoduchost ji činí vynikající volbou pro zakázková softwarová řešení, jako jsou skenery faktur, nástroje pro akademický výzkum, procesory právních dokumentů nebo systémy pro migraci obsahu. Následující příklad ukazuje, jak vývojáři mohou jednoduše nastavit cestu k PDF souboru a jsou připraveni extrahovat veškerý jeho textový obsah. Mohou také přizpůsobit cestu k binárnímu souboru, pokud je to potřeba.

Jak extrahovat text z PDF souboru pomocí PHP API?

use Spatie\PdfToText\Pdf;
$text = (new Pdf())
    ->setPdf('example.pdf')
    ->text();

echo $text;
$text = (new Pdf('/custom/path/to/pdftotext'))
    ->setPdf('report.pdf')
    ->text();

Extrahovat konkrétní část PDF pomocí PHP

Knihovna vám umožňuje využít sílu nástroje pdftotext z příkazové řádky tím, že poskytuje podporu pro jeho různé možnosti. To znamená, že můžete přizpůsobit proces extrakce textu podle svých konkrétních potřeb. Například můžete použít volby k zachování rozvržení původního PDF, specifikovat konkrétní rozsah stránek nebo nastavit rozlišení výstupu. Následující jednoduchý příklad ukazuje, jak vývojáři nejprve nastaví volby layout a r a poté přidají volbu f pro určení první stránky PDF.

Jak nastavit různé možnosti pro extrakci textu z PDF pomocí PHP API?

use Spatie\PdfToText\Pdf;

$text = (new Pdf())
    ->setPdf('table.pdf')
    ->setOptions(['layout', 'r 96'])
    ->addOptions(['f 1'])
    ->text();

echo $text;