Nemokama PHP API, skirta išgauti tekstą ir metaduomenis iš PDF ir vaizdų

Programinės įrangos kūrimo srityje darbas su tekstu iš įvairių failų tipų gali būti sudėtingas, tačiau tai dažna užduotis. Nesvarbu, ar kuriate sistemą dokumentų valdymui, įrankį turinio analizei, ar paieškos variklį, gebėjimas išgauti tekstą iš PDF, Word dokumentų, skaičiuoklių ir kitų failų formatų yra esminis. Čia įžvalgų suteikia PHP-Apache-Tika biblioteka. Apache Tika yra lankstus įrankių rinkinys, skirtas turinio analizės darbams valdyti. Galite naudoti Tika, kad išgautumėte metaduomenis ir tekstą iš įvairių failų tipų, tokių kaip PDF, Microsoft Office failai ir vaizdai. Tika iš pradžių buvo sukurta Java kalba. Dažniausiai ji veikia kaip atskiras serveris, prieinamas per HTTP. Šis metodas leidžia skirtingoms programavimo kalboms, pavyzdžiui PHP, pasinaudoti Tika galingomis galimybėmis, nesukuriant sudėtingų analizės procesų nuo nulio.

Biblioteka palaiko daugybę funkcijų, tokių kaip teksto ir HTML išgavimas, metaduomenų išgavimas, patobulintas klaidų tvarkymas, OCR atpažinimas, standartizuoti dokumentų metaduomenys, vietinių ir nuotolinių išteklių palaikymas ir dar daug daugiau. PHP-Apache-Tika biblioteka sujungia PHP programas su Apache Tika serveriu. Vietoj to, kad kuriate savo analizatorių ar konvertuotojus, galite pasikliauti šia biblioteka, kad išsiųstumėte dokumentus į Tika serverį ir gautumėte švarų išgautą tekstą arba metaduomenis. Tai ne tik supaprastina kūrimo procesą, bet ir užtikrina, kad jūsų programa gautų naudos iš Tika nuolatinių patobulinimų ir plačios formatų palaikymo. Nesvarbu, ar kuriate sudėtingą dokumentų valdymo sistemą, ar lengvą turinio analizės įrankį, PHP-Apache-Tika biblioteka suteikia patikimą ir lankstų sprendimą.

• Apžvalga
• Platformos nepriklausomumas
• Palaikomi failų formatai

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();
}