Δωρεάν PHP API για Εξαγωγή Κειμένου & Μεταδεδομένων από PDF και Εικόνες

Στον χώρο της ανάπτυξης λογισμικού, η διαχείριση κειμένου από διαφορετικούς τύπους αρχείων μπορεί να είναι δύσκολη αλλά αποτελεί συχνό έργο. Είτε δημιουργείτε ένα σύστημα διαχείρισης εγγράφων, ένα εργαλείο ανάλυσης περιεχομένου ή μια μηχανή αναζήτησης, η δυνατότητα εξαγωγής κειμένου από PDF, έγγραφα Word, λογιστικά φύλλα και άλλες μορφές αρχείων είναι κρίσιμη. Εδώ η βιβλιοθήκη PHP-Apache-Tika αποδεικνύεται πολύτιμη. Το Apache Tika είναι ένα ευέλικτο εργαλείο σχεδιασμένο για τη διαχείριση εργασιών ανάλυσης περιεχομένου. Μπορείτε να χρησιμοποιήσετε το Tika για να εξάγετε μεταδεδομένα και κείμενο από διάφορους τύπους αρχείων όπως PDF, αρχεία Microsoft Office και εικόνες. Το Tika αρχικά κωδικοποιήθηκε σε Java. Συχνά εγκαθίσταται ως δικό του διακομιστή, καθιστώντας το προσβάσιμο μέσω HTTP. Αυτή η μέθοδος επιτρέπει σε διαφορετικές γλώσσες προγραμματισμού, όπως η PHP, να αξιοποιούν τις ισχυρές δυνατότητες του Tika χωρίς να χρειάζεται να δημιουργήσουν πολύπλοκες διαδικασίες ανάλυσης από το μηδέν.

Η βιβλιοθήκη υποστηρίζει πληθώρα λειτουργιών όπως εξαγωγή κειμένου και HTML, εξαγωγή μεταδεδομένων, βελτιωμένη διαχείριση σφαλμάτων, αναγνώριση OCR, τυποποιημένα μεταδεδομένα για έγγραφα, υποστήριξη τοπικών και απομακρυσμένων πόρων, και πολλά άλλα. Η βιβλιοθήκη PHP-Apache-Tika γεφυρώνει τις εφαρμογές PHP με τον διακομιστή Apache Tika. Αντί να δημιουργείτε τους δικούς σας αναλυτές ή μετατροπείς, μπορείτε να βασιστείτε σε αυτή τη βιβλιοθήκη για να στέλνετε έγγραφα στον διακομιστή Tika και να λαμβάνετε καθαρό, εξαγόμενο κείμενο ή μεταδεδομένα ως απάντηση. Αυτό όχι μόνο απλοποιεί τη διαδικασία ανάπτυξης, αλλά εξασφαλίζει επίσης ότι η εφαρμογή σας ωφελείται από τις συνεχείς βελτιώσεις του Tika και την ευρεία υποστήριξη μορφών. Είτε αναπτύσσετε ένα σύνθετο σύστημα διαχείρισης εγγράφων είτε ένα ελαφρύ εργαλείο ανάλυσης περιεχομένου, η βιβλιοθήκη PHP-Apache-Tika προσφέρει αξιόπιστη και ευέλικτη λύση.

• Σύντομη Επισκόπηση
• Ανεξαρτησία Πλατφόρμας
• Υποστηριζόμενες Μορφές Αρχείων

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();
}