1. 产品
  2.   OCR
  3.   PHP
  4.   PHP-Apache-Tika
 
  

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

Open Source PHP Optical Character Recognition Library allows to Extract Text, Metadata and HTML from PDF, DOCX, Images (JPEG, PNG) & Other Documents in Multiple Languages inside PHP Apps.

在软件开发领域，从不同类型的文件中处理文本既棘手又是常见任务。无论是创建文档管理系统、内容分析工具，还是搜索引擎，能够从 PDF、Word 文档、电子表格以及其他文件格式中提取文本都是至关重要的。这正是 PHP-Apache-Tika 库发挥价值的地方。Apache Tika 是一个灵活的工具包，用于管理内容分析任务。你可以使用 Tika 从 PDF、Microsoft Office 文件和图像等各种文件类型中提取元数据和文本。Tika 最初是用 Java 编写的，通常部署为独立的服务器，通过 HTTP 访问。此方式让包括 PHP 在内的不同编程语言能够利用 Tika 强大的功能，而无需从头构建复杂的解析过程。

该库支持众多功能，如文本和 HTML 提取、元数据提取、更好的错误处理、OCR 识别、文档标准化元数据、本地和远程资源支持等。PHP-Apache-Tika 库将 PHP 应用与 Apache Tika 服务器桥接。你无需自行编写解析器或转换器，只需使用该库将文档发送到 Tika 服务器，即可获得干净的提取文本或元数据。这不仅简化了开发过程，还确保你的应用受益于 Tika 持续的改进和广泛的格式支持。无论是开发复杂的文档管理系统还是轻量级的内容分析工具，PHP-Apache-Tika 库都提供了可靠且灵活的解决方案。

Previous Next

开始使用 PHP-Apache-Tika

推荐的安装 PHP-Apache-Tika 方法是使用 Composer。请使用以下命令进行顺利安装。

通过 Composer 安装 PHP-Apache-Tika

composer require vaites/php-apache-tika

通过 Github 安装 PHP-Apache-Tika

git clone https://github.com/fizzday/OcrPHP.git

你可以从 Github 仓库下载已编译的共享库。

通过 PHP 提取文本和 HTML

PHP-Apache-Tika 库的主要功能之一是能够从各种文档格式中提取文本。这在实现搜索功能或内容分析工具时尤为有用。库支持从文档中提取纯文本，使得索引、搜索或分析内容更加便捷。下面的代码片段演示了 TikaClient 如何将文档发送到 Tika 服务器并获取纯文本内容，以便进一步处理或索引。

如何在 PHP 应用中从文档提取文本？

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();
}

通过 PHP 库提取元数据

除了文本之外，文档通常还包含有价值的元数据，如作者信息、创建日期和文件类型。PHP-Apache-Tika 库可以提取这些元数据，让你构建更丰富的应用。下面的示例演示了如何从文档中获取元数据。返回的数组会根据文件类型及其内容包含各种细节。

如何使用 PHP 库提取元数据？

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();
}

处理多种文件格式

Apache Tika 的强大之处在于它对多种文件格式的支持。无论是 PDF、DOC、图像，甚至是较少见的文件类型，该库都能帮助你在不必担心特定格式细节的情况下提取所需数据。想象一下，你正在开发一个文档管理系统，用户可以上传不同类型的文件。你可以使用该库来获取每个文件的内容和元数据：

 中国人