Kostenlose PHP-API zum Extrahieren von Text und Metadaten aus PDF und Bildern

Im Bereich der Softwareentwicklung kann der Umgang mit Text aus verschiedenen Dateitypen knifflig sein, ist jedoch eine häufige Aufgabe. Egal, ob Sie ein System zur Dokumentenverwaltung, ein Tool zur Inhaltsanalyse oder eine Suchmaschine erstellen – die Möglichkeit, Text aus PDFs, Word-Dokumenten, Tabellenkalkulationen und anderen Dateiformaten zu extrahieren, ist entscheidend. Hier kommt die PHP-Apache-Tika‑Bibliothek ins Spiel. Apache Tika ist ein flexibles Toolkit, das für die Durchführung von Inhaltsanalyseaufgaben entwickelt wurde. Sie können Tika verwenden, um Metadaten und Text aus verschiedenen Dateitypen wie PDFs, Microsoft‑Office‑Dateien und Bildern herauszuziehen. Tika wurde ursprünglich in Java geschrieben. Es wird häufig als eigenständiger Server eingerichtet, der über HTTP erreichbar ist. Dieses Verfahren ermöglicht es verschiedenen Programmiersprachen, etwa PHP, auf die leistungsstarken Funktionen von Tika zuzugreifen, ohne dass komplexe Parsing‑Prozesse von Grund auf neu erstellt werden müssen.

Die Bibliothek unterstützt zahlreiche Funktionen wie Text‑ und HTML‑Extraktion, Metadaten‑Extraktion, verbesserte Fehlerbehandlung, OCR‑Erkennung, standardisierte Metadaten für Dokumente, Unterstützung lokaler und entfernter Ressourcen und vieles mehr. Die PHP‑Apache‑Tika‑Bibliothek verbindet PHP‑Anwendungen mit dem Apache‑Tika‑Server. Anstatt eigene Parser oder Konverter zu bauen, können Sie diese Bibliothek nutzen, um Dokumente an den Tika‑Server zu senden und im Gegenzug bereinigten, extrahierten Text oder Metadaten zu erhalten. Das vereinfacht nicht nur den Entwicklungsprozess, sondern stellt auch sicher, dass Ihre Anwendung von den kontinuierlichen Verbesserungen und der breiten Formatunterstützung von Tika profitiert. Egal, ob Sie ein komplexes Dokumenten‑Management‑System oder ein leichtgewichtiges Inhaltsanalyse‑Tool entwickeln, die PHP‑Apache‑Tika‑Bibliothek bietet eine zuverlässige und flexible Lösung.

• Auf einen Blick
• Plattformunabhängigkeit
• Unterstützte Dateiformate

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();
}