Free PHP API to Extract Text & Metadata from PDF and Images

Ohjelmistokehityksen alalla tekstin käsittely eri tiedostotyypeistä voi olla haastavaa, mutta se on yleinen tehtävä. Olipa kyseessä asiakirjojen hallintajärjestelmä, sisällön analysointityökalu tai hakukone, on olennaista pystyä poimimaan tekstiä PDF:stä, Word-asiakirjoista, taulukoista ja muista tiedostomuodoista. Tässä kohtaa PHP-Apache-Tika‑kirjasto on arvokas. Apache Tika on joustava työkalupakki, joka on suunniteltu sisällön analysointitehtäviin. Voit käyttää Tikaa metatietojen ja tekstin poimintaan erilaisista tiedostotyypeistä, kuten PDF:stä, Microsoft Office -tiedostoista ja kuvista. Tika alun perin kirjoitettiin Java‑kielellä. Se asetetaan usein omaksi palvelimekseen, jolloin siihen pääsee HTTP‑rajapinnan kautta. Tämä menetelmä mahdollistaa eri ohjelmointikielten, kuten PHP:n, hyödyntää Tikan vahvoja ominaisuuksia ilman, että täytyy itse toteuttaa monimutkaisia jäsentämisprosesseja alusta alkaen.

Kirjasto tukee lukuisia ominaisuuksia, kuten tekstin ja HTML:n poimintaa, metatietojen poimintaa, parempaa virheenkäsittelyä, OCR‑tunnistusta, standardoituja metatietoja asiakirjoille, paikallisten ja etäresurssien tukea, ja monia muita. PHP-Apache-Tika‑kirjasto yhdistää PHP‑sovellukset Apache Tika -palvelimeen. Sen sijaan, että rakentaisit omia jäsennys- tai muunnostyökaluja, voit luottaa tähän kirjastoon lähettääksesi asiakirjat Tika‑palvelimelle ja saadaksesi takaisin puhdasta, poimittua tekstiä tai metatietoja. Tämä ei ainoastaan yksinkertaista kehitysprosessia, vaan varmistaa myös, että sovelluksesi hyötyy Tikan jatkuvista parannuksista ja laajasta formaattituen. Olipa kyseessä monimutkainen asiakirjojen hallintajärjestelmä tai kevyt sisällön analysointityökalu, PHP-Apache-Tika‑kirjasto tarjoaa luotettavan ja joustavan ratkaisun.

• Katsaus
• Alustan riippumattomuus
• Tuetut tiedostomuodot

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();
}