Бесплатный PHP API для извлечения текста и метаданных из PDF и изображений

В сфере разработки программного обеспечения работа с текстом из разных типов файлов может быть сложной, но это частая задача. Независимо от того, создаёте ли вы систему управления документами, инструмент для анализа контента или поисковую систему, возможность извлекать текст из PDF, Word‑документов, электронных таблиц и других форматов файлов имеет решающее значение. Именно здесь библиотека PHP‑Apache‑Tika оказывается полезной. Apache Tika — гибкий набор инструментов, предназначенный для выполнения задач анализа контента. Вы можете использовать Tika для извлечения метаданных и текста из различных типов файлов, таких как PDF, файлы Microsoft Office и изображения. Tika изначально написана на Java. Часто её разворачивают как отдельный сервер, доступный через HTTP. Этот подход позволяет различным языкам программирования, например PHP, использовать мощные возможности Tika без необходимости создавать сложные парсеры с нуля.

Библиотека поддерживает множество функций, таких как извлечение текста и HTML, извлечение метаданных, улучшенная обработка ошибок, распознавание OCR, стандартизированные метаданные для документов, поддержка локальных и удалённых ресурсов и многое другое. Библиотека PHP‑Apache‑Tika соединяет PHP‑приложения с сервером Apache Tika. Вместо того чтобы создавать собственные парсеры или конвертеры, вы можете использовать эту библиотеку для отправки документов на сервер Tika и получения чистого извлечённого текста или метаданных. Это не только упрощает процесс разработки, но и гарантирует, что ваше приложение получает выгоду от постоянных улучшений Tika и широкой поддержки форматов. Независимо от того, разрабатываете ли вы сложную систему управления документами или лёгкий инструмент анализа контента, библиотека PHP‑Apache‑Tika предоставляет надёжное и гибкое решение.

• Обзор
• Платформенная независимость
• Поддерживаемые форматы файлов

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();
}