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

În domeniul dezvoltării software, gestionarea textului din diferite tipuri de fișiere poate fi complicată, dar este o sarcină frecventă. Indiferent dacă creați un sistem pentru gestionarea documentelor, un instrument pentru analizarea conținutului sau un motor de căutare, capacitatea de a extrage text din PDF-uri, documente Word, foi de calcul și alte formate de fișiere este esențială. Aici intervine biblioteca PHP-Apache-Tika. Apache Tika este un set de instrumente flexibil conceput pentru a gestiona sarcini de analiză a conținutului. Puteți folosi Tika pentru a extrage metadate și text din diverse tipuri de fișiere, cum ar fi PDF-uri, fișiere Microsoft Office și imagini. Tika a fost inițial scrisă în Java. De obicei este configurată ca propriul său server, accesibil prin HTTP. Această metodă permite diferitelor limbaje de programare, cum ar fi PHP, să acceseze capabilitățile puternice ale Tika fără a fi nevoie să creeze procese complexe de parsare de la zero.

Biblioteca suportă numeroase funcționalități, cum ar fi extragerea de text și HTML, extragerea de metadate, gestionarea îmbunătățită a erorilor, recunoaștere OCR, metadate standardizate pentru documente, suport pentru resurse locale și la distanță și multe altele. Biblioteca PHP-Apache-Tika conectează aplicațiile PHP cu serverul Apache Tika. În loc să construiți proprii parsere sau convertoare, puteți conta pe această bibliotecă pentru a trimite documente către serverul Tika și a primi înapoi text curat sau metadate extrase. Acest lucru simplifică procesul de dezvoltare și asigură că aplicația dumneavoastră beneficiază de îmbunătățirile continue ale Tika și de suportul larg pentru formate. Indiferent dacă dezvoltați un sistem complex de gestionare a documentelor sau un instrument ușor de analiză a conținutului, biblioteca PHP-Apache-Tika oferă o soluție fiabilă și flexibilă.

• At a Glance
• Platform Independence
• Supported File Formats

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();
}