API PHP Gratuita para Extrair Texto e Metadados de PDF e Imagens

No campo de desenvolvimento de software, lidar com texto de diferentes tipos de arquivos pode ser complicado, mas é uma tarefa frequente. Seja criando um sistema para gerenciar documentos, uma ferramenta para analisar conteúdo ou um motor de busca, ser capaz de extrair texto de PDFs, documentos Word, planilhas e outros formatos de arquivo é crucial. É aqui que a biblioteca PHP-Apache-Tika se torna valiosa. Apache Tika é um kit de ferramentas flexível feito para gerenciar tarefas de análise de conteúdo. Você pode usar o Tika para extrair metadados e texto de vários tipos de arquivos como PDFs, arquivos Microsoft Office e imagens. O Tika foi inicialmente codificado em Java. Geralmente ele é configurado como um servidor próprio, tornando‑se acessível via HTTP. Esse método permite que diferentes linguagens de programação, como PHP, aproveitem as fortes capacidades do Tika sem precisar criar processos de análise complexos do zero.

A biblioteca oferece inúmeras funcionalidades, como extração de texto e HTML, extração de metadados, tratamento de erros aprimorado, reconhecimento OCR, metadados padronizados para documentos, suporte a recursos locais e remotos, entre outras. A biblioteca PHP-Apache-Tika conecta aplicações PHP ao servidor Apache Tika. Em vez de construir seus próprios analisadores ou conversores, você pode usar esta biblioteca para enviar documentos ao servidor Tika e receber texto limpo ou metadados extraídos. Isso simplifica o processo de desenvolvimento e garante que sua aplicação se beneficie das melhorias contínuas do Tika e do amplo suporte a formatos. Seja desenvolvendo um sistema complexo de gerenciamento de documentos ou uma ferramenta leve de análise de conteúdo, a biblioteca PHP-Apache-Tika oferece uma solução confiável e flexível.

• Visão Geral
• Independência de Plataforma
• Formatos de Arquivo Suportados

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();
}