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

I softwareudvikling kan håndtering af tekst fra forskellige filtyper være udfordrende, men det er en hyppig opgave. Uanset om du opretter et system til at administrere dokumenter, et værktøj til at analysere indhold eller en søgemaskine, er evnen til at udtrække tekst fra PDF‑filer, Word‑dokumenter, regneark og andre filformater afgørende. Det er her, PHP‑Apache‑Tika‑biblioteket bliver værdifuldt. Apache Tika er et fleksibelt værktøjssæt designet til at håndtere indholdsanalyseopgaver. Du kan bruge Tika til at hente metadata og tekst fra forskellige filtyper som PDF‑filer, Microsoft Office‑filer og billeder. Tika blev oprindeligt skrevet i Java. Det kører typisk som en selvstændig server, som er tilgængelig via HTTP. Denne metode gør det muligt for forskellige programmeringssprog, såsom PHP, at udnytte Tikas kraftfulde funktioner uden at skulle bygge komplekse parser‑processer fra bunden.

Biblioteket understøtter talrige funktioner såsom tekst‑ og HTML‑udtræk, metadata‑udtræk, forbedret fejlhåndtering, OCR‑genkendelse, standardiseret metadata for dokumenter, understøttelse af lokale og fjernressourcer og meget mere. PHP‑Apache‑Tika‑biblioteket forbinder PHP‑applikationer med Apache Tika‑serveren. I stedet for at bygge dine egne parser‑ eller konverteringsværktøjer, kan du bruge dette bibliotek til at sende dokumenter til Tika‑serveren og modtage ren, udtrukket tekst eller metadata som svar. Det forenkler udviklingsprocessen og sikrer, at din applikation drager fordel af Tikas løbende forbedringer og brede formatunderstøttelse. Uanset om du udvikler et komplekst dokumenthåndteringssystem eller et letvægtsindholdsanalyseværktøj, leverer PHP‑Apache‑Tika‑biblioteket en pålidelig og fleksibel løsning.

• På et overblik
• Platformuafhængighed
• Understøttede filformater

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();
}