API PHP gratuita para extraer Texto y Metadatos de PDF e Imágenes

En el campo del desarrollo de software, manejar texto de diferentes tipos de archivos puede ser complicado pero es una tarea frecuente. Ya sea que estés creando un sistema para gestionar documentos, una herramienta para analizar contenido o un motor de búsqueda, poder extraer texto de PDFs, documentos Word, hojas de cálculo y otros formatos de archivo es crucial. Aquí es donde la biblioteca PHP-Apache-Tika resulta valiosa. Apache Tika es un conjunto de herramientas flexible creado para gestionar trabajos de análisis de contenido. Puedes usar Tika para extraer metadatos y texto de varios tipos de archivo como PDFs, archivos de Microsoft Office e imágenes. Tika fue inicialmente codificado en Java. A menudo se configura como su propio servidor, haciéndolo accesible a través de HTTP. Este método permite que diferentes lenguajes de programación, como PHP, aprovechen las sólidas capacidades de Tika sin necesidad de crear procesos de análisis complejos desde cero.

La biblioteca soporta numerosas funciones como extracción de texto y HTML, extracción de metadatos, mejor manejo de errores, reconocimiento OCR, metadatos estandarizados para documentos, soporte de recursos locales y remotos, y mucho más. La biblioteca PHP-Apache-Tika conecta aplicaciones PHP con el servidor Apache Tika. En lugar de construir tus propios analizadores o convertidores, puedes confiar en esta biblioteca para enviar documentos al servidor Tika y recibir texto limpio o metadatos extraídos a cambio. Esto no solo simplifica el proceso de desarrollo, sino que también garantiza que tu aplicación se beneficie de las mejoras continuas de Tika y de su amplio soporte de formatos. Ya sea que estés desarrollando un complejo sistema de gestión de documentos o una herramienta ligera de análisis de contenido, la biblioteca PHP-Apache-Tika ofrece una solución fiable y flexible.

• De un vistazo
• Independencia de plataforma
• Formatos de archivo compatibles

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();
}