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

Dans le domaine du développement logiciel, gérer le texte provenant de différents types de fichiers peut être délicat mais constitue une tâche fréquente. Que vous créiez un système de gestion de documents, un outil d'analyse de contenu ou un moteur de recherche, pouvoir extraire le texte des PDF, des documents Word, des feuilles de calcul et d'autres formats de fichiers est essentiel. C’est ici que la bibliothèque PHP‑Apache‑Tika devient précieuse. Apache Tika est une boîte à outils flexible conçue pour gérer les travaux d’analyse de contenu. Vous pouvez utiliser Tika pour extraire les métadonnées et le texte de divers types de fichiers tels que les PDF, les fichiers Microsoft Office et les images. Tika a été initialement développé en Java. Il est souvent déployé comme serveur autonome, accessible via HTTP. Cette méthode permet à différents langages de programmation, comme PHP, d’exploiter les puissantes capacités de Tika sans avoir à créer des processus d’analyse complexes à partir de zéro.

La bibliothèque prend en charge de nombreuses fonctionnalités telles que l’extraction de texte et de HTML, l’extraction de métadonnées, une meilleure gestion des erreurs, la reconnaissance OCR, des métadonnées standardisées pour les documents, la prise en charge des ressources locales et distantes, et bien plus encore. La bibliothèque PHP‑Apache‑Tika fait le lien entre les applications PHP et le serveur Apache Tika. Au lieu de développer vos propres analyseurs ou convertisseurs, vous pouvez vous appuyer sur cette bibliothèque pour envoyer des documents au serveur Tika et recevoir en retour du texte ou des métadonnées propres et extraits. Cela simplifie non seulement le processus de développement, mais garantit également que votre application bénéficie des améliorations continues de Tika et de son large support de formats. Que vous développiez un système de gestion de documents complexe ou un outil léger d’analyse de contenu, la bibliothèque PHP‑Apache‑Tika offre une solution fiable et flexible.

• En un coup d'œil
• Indépendance de la plateforme
• Formats de fichiers pris en charge

composer require vaites/php-apache-tika

git clone https://github.com/fizzday/OcrPHP.git 

require_once 'vendor/autoload.php';

use Vaites\ApacheTika\TikaClient;

// Initialise le client Tika avec l’URL du serveur Tika
$client = new TikaClient('http://localhost:9998');

// Définit le chemin du document (ex. : PDF, DOCX, etc.)
$filePath = '/path/to/your/document.pdf';

try {
    // Extrait le contenu texte du 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;

// Initialise le client Tika
$client = new TikaClient('http://localhost:9998');

// Spécifie le chemin du fichier document
$filePath = '/path/to/your/document.pdf';

try {
    // Extrait les métadonnées du document
    $metadata = $client->getMetadata($filePath);
    echo "Extracted Metadata:\n";
    print_r($metadata);
} catch (\Exception $e) {
    echo "Error extracting metadata: " . $e->getMessage();
}