کتابخانه PHP منبع باز برای تجزیه فایل های PDF

شروع کار با PDFParser

کتابخانه PDFParser به طور خودکار از طریق خط فرمان composer دانلود می‌شود. PDFParser را به فایل composer.json خود اضافه کنید.

 { 
  "require": {
  "smalot/pdfparser": "*"
  } 
 } 

تجزیه و تحلیل فایل PDF و استخراج متن از هر صفحه از طریق PHP API

PDFParser عملکردی را ارائه می دهد که برنامه نویسان رایانه را قادر می سازد اسناد PDF را در برنامه PHP خود تجزیه کنند. ابتدا باید اشیاء لازم را بسازید سپس فایل PDF را بارگیری کنید، فایل تجزیه شده را می توان روی یک متغیر ذخیره کرد و سپس این شی به شما اجازه می دهد تا صفحه به صفحه PDF را مدیریت کنید. اکنون می توانید به راحتی متن را از کل PDF یا به طور جداگانه بر اساس صفحات استخراج کنید. پس از تجزیه سند اکنون می توانید به راحتی متن را از هر صفحه PDF استخراج کنید.

  // Include Composer autoloader if not already done.
  include 'vendor/autoload.php';
  // Parse Base64 encoded PDF string and build necessary objects.
  $parser = new \Smalot\PdfParser\Parser();
  $pdf  = $parser->parseContent(base64_decode($base64PDF));
  $text = $pdf->getText();
  echo $text;

استخراج فراداده از سند PDF

Metadata includes very important information about the PDF document and its contents such as Author, copyright information, creator, Creation Date and more. PDFParser gives developers the power to extract metadata from a PDF document. Once the document is parsed you can easily retrieve all details from the PDF file.

  // Metadata Extraction from PDF 
  $metaData = $pdf->getDetails();
  Array
  (
   [Producer] => Adobe Acrobat
   [CreatedOn] => 2022-01-28T16:36:11+00:00
   [Pages] => 35
  )

متن را از یک صفحه PDF خاص استخراج کنید

PDFParser به توسعه دهندگان اجازه می دهد تا با استفاده از مقدار کمی کد، متن را از صفحات خاص به راحتی استخراج کنند. API به توسعه دهندگان این امکان را می دهد که هر صفحه از سند PDF را به طور جداگانه مدیریت کنند. توسعه دهندگان می توانند از طریق آرایه صفحات تکرار کنند و می توانند متن را از صفحه مورد نظر خود بازیابی کنند. ترتیب آرایه مانند سند PDF است.

  // Extract Text from PDF via PHP
  $text = $pdf->getText();
  // or extract the text of a specific page (in this case the first page)
  $text = $pdf->getPages()[0]->getText();