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

У сфері розробки програмного забезпечення робота з текстом у різних типах файлів може бути складною, проте це часте завдання. Незалежно від того, чи створюєте ви систему управління документами, інструмент аналізу вмісту чи пошуковий движок, можливість витягати текст з PDF, Word‑документів, електронних таблиць та інших форматів файлів є критично важливою. Саме тут у пригоді стає бібліотека PHP‑Apache‑Tika. Apache Tika — гнучкий інструментарій, створений для виконання завдань аналізу вмісту. Ви можете використовувати Tika для отримання метаданих і тексту з різних типів файлів, таких як PDF, файли Microsoft Office та зображення. Спочатку Tika була написана на Java. Зазвичай її розгортають як окремий сервер, доступний через HTTP. Такий підхід дозволяє різним мовам програмування, зокрема PHP, скористатися потужними можливостями Tika без необхідності створювати складні процеси парсингу з нуля.

Бібліотека підтримує безліч функцій, таких як витяг тексту та HTML, витяг метаданих, покращене оброблення помилок, розпізнавання OCR, стандартизовані метадані для документів, підтримка локальних та віддалених ресурсів та багато іншого. PHP‑Apache‑Tika з’єднує PHP‑додатки з сервером Apache Tika. Замість того, щоб будувати власні парсери або конвертери, ви можете користуватися цією бібліотекою для надсилання документів на сервер Tika та отримання чистого витягнутого тексту або метаданих у відповідь. Це не лише спрощує процес розробки, а й забезпечує, що ваш застосунок отримує переваги від постійних удосконалень Tika та широкої підтримки форматів. Незалежно від того, чи розробляєте ви складну систему управління документами, чи легкий інструмент аналізу вмісту, бібліотека PHP‑Apache‑Tika пропонує надійне та гнучке рішення.

• Огляд
• Платформна незалежність
• Підтримувані формати файлів

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();
}