1. Produkty
  2.   PDF
  3.   PHP
  4.   PDF-to-Text
 
  

Darmowe API PHP do konwersji PDF lub wybranej części na tekst

Otwarta biblioteka PHP, która umożliwia programistom wyodrębnianie tekstu z plików PDF lub konkretnej strony pliku PDF w aplikacjach PHP.

Czym jest PDF-to-Text?

PDF-y są standardowym formatem dokumentów cyfrowych we wszystkich branżach — od finansów i opieki zdrowotnej po edukację i prawo. Jednak wyodrębnianie istotnej treści tekstowej z PDF-ów może być wyzwaniem dla programistów. Na szczęście biblioteka PDF-to-Text od Spatie upraszcza to zadanie i czyni je wydajnym dla programistów PHP. To narzędzie open source zapewnia czystą i lekką nakładkę wokół potężnego binarnego pliku pdftotext z pakietu poppler-utils. Biblioteka posiada intuicyjny interfejs, który pozwala programistom wyciągać tekst za pomocą kilku linijek kodu. Obsługuje dokumenty wielostronicowe, PDF-y z kolumnami, wbudowane czcionki i obrazy, gotowe PDF-y (jeśli OCR został wcześniej zastosowany) i wiele więcej.

Spatie PDF-to-Text to otwartoźródłowa biblioteka PHP, która umożliwia programistom wyodrębnianie zwykłego tekstu z plików PDF. Działa jako wrapper PHP wokół narzędzia wiersza poleceń pdftotext, będącego częścią zestawu Poppler. Oznacza to, że nie polega na bibliotekach PHP do parsowania PDF, lecz wykorzystuje dojrzałe, sprawdzone w praktyce narzędzie binarne, które działa szybko i z wysoką dokładnością. Chociaż biblioteka jest napisana w PHP, działa płynnie na różnych systemach operacyjnych (Linux, macOS i Windows), pod warunkiem że dostępny jest binarny plik pdftotext. Jest lekka i nie pobiera niepotrzebnych bibliotek zewnętrznych. Dzięki temu jest szybsza, łatwiejsza w utrzymaniu i mniej podatna na awarie spowodowane aktualizacjami niepowiązanych zależności.

Rozpoczęcie pracy z PDF-to-Text

Aby uruchomić PDF-to-Text, najpierw musisz zainstalować PHP w wersji 5.3 lub wyższej. Najłatwiejszy sposób instalacji PDF-to-Text to użycie Composer. Proszę użyć poniższego polecenia, aby przeprowadzić płynną instalację.

Zainstaluj PDF-to-Text za pomocą composera

composer require spatie/pdf-to-text

Zainstaluj PDF-to-Text za pomocą polecenia Git

git clone https://github.com/spatie/pdf-to-text.git 
cd dompdf/lib

Wyodrębnianie tekstu z pliku PDF przy użyciu API PHP

Biblioteka open source Spatie PDF-to-Text jest minimalistyczna z założenia, koncentrując się na jednym zadaniu — wyodrębnianiu tekstu z plików PDF — i robi to dobrze. Jej prostota sprawia, że doskonale nadaje się do niestandardowych rozwiązań programowych, takich jak skanery faktur, narzędzia do badań akademickich, procesory dokumentów prawnych czy systemy migracji treści. Poniższy przykład pokazuje, jak programiści mogą po prostu ustawić ścieżkę do pliku PDF i są gotowi wyodrębnić całą jego zawartość tekstową. Mogą także dostosować ścieżkę do pliku binarnego, jeśli jest to potrzebne.

Jak wyodrębnić tekst z pliku PDF przy użyciu API PHP?

use Spatie\PdfToText\Pdf;
$text = (new Pdf())
    ->setPdf('example.pdf')
    ->text();

echo $text;
$text = (new Pdf('/custom/path/to/pdftotext'))
    ->setPdf('report.pdf')
    ->text();

Wyodrębnianie określonej części PDF za pomocą PHP

Biblioteka pozwala wykorzystać moc narzędzia wiersza poleceń pdftotext, zapewniając wsparcie dla jego różnych opcji. Oznacza to, że możesz dostosować proces wyodrębniania tekstu do swoich konkretnych potrzeb. Na przykład możesz używać opcji, aby zachować układ oryginalnego PDF, określić konkretny zakres stron lub ustawić rozdzielczość wyjścia. Poniższy prosty przykład pokazuje, jak programiści najpierw ustawiają opcje layout i r, a następnie dodają opcję f, aby określić pierwszą stronę PDF.

Jak ustawić różne opcje wyodrębniania tekstu PDF za pomocą API PHP?

use Spatie\PdfToText\Pdf;

$text = (new Pdf())
    ->setPdf('table.pdf')
    ->setOptions(['layout', 'r 96'])
    ->addOptions(['f 1'])
    ->text();

echo $text;