API رایگان PHP برای استخراج متن و متادیتا از PDF و تصاویر

در حوزه توسعه نرم‌افزار، کار با متن از انواع مختلف فایل‌ها می‌تواند چالش‌برانگیز باشد اما کاری رایج است. چه در حال ساخت سیستمی برای مدیریت اسناد باشید، چه ابزاری برای تحلیل محتوا یا موتور جستجویی، توانایی استخراج متن از PDFها، اسناد Word، صفحات گسترده و سایر فرمت‌های فایل حیاتی است. اینجاست که کتابخانه PHP‑Apache‑Tika ارزشمند می‌شود. Apache Tika یک ابزارک انعطاف‌پذیر است که برای انجام وظایف تحلیل محتوا طراحی شده است. می‌توانید از Tika برای استخراج متادیتا و متن از انواع فایل‌ها مانند PDFها، فایل‌های Microsoft Office و تصاویر استفاده کنید. Tika در ابتدا به زبان Java نوشته شده است. معمولاً به‌صورت سرور مستقل راه‌اندازی می‌شود و از طریق HTTP در دسترس است. این روش به زبان‌های برنامه‌نویسی مختلف، از جمله PHP، امکان استفاده از قابلیت‌های قدرتمند Tika را بدون نیاز به نوشتن فرآیندهای پیچیده تجزیه و تحلیل از صفر می‌دهد.

این کتابخانه ویژگی‌های متعددی از جمله استخراج متن و HTML، استخراج متادیتا، بهبود مدیریت خطا، تشخیص OCR، متادیتای استاندارد برای اسناد، پشتیبانی از منابع محلی و راه دور و موارد دیگر را پشتیبانی می‌کند. کتابخانه PHP‑Apache‑Tika پل ارتباطی بین برنامه‌های PHP و سرور Apache Tika را فراهم می‌کند. به‌جای ساخت تجزیه‌کننده‌ها یا مبدل‌های خودتان، می‌توانید از این کتابخانه برای ارسال اسناد به سرور Tika و دریافت متن یا متادیتای تمیز استخراج‌شده استفاده کنید. این کار نه‌تنها فرآیند توسعه را ساده می‌کند بلکه اطمینان می‌دهد برنامه شما از بهبودهای مستمر Tika و پشتیبانی گسترده از فرمت‌ها بهره‌مند شود. چه در حال توسعه سیستم مدیریت اسناد پیچیده باشید یا ابزار تحلیل محتوا سبک، کتابخانه PHP‑Apache‑Tika راه‌حل قابل اعتماد و انعطاف‌پذیری ارائه می‌دهد.

• در یک نگاه
• استقلال پلتفرم
• فرمت‌های فایل پشتیبانی‌شده

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();
}