README

一个简单的PHP库，用于自动从具有已知格式的文档中提取数据。

需求

此库使用Tesseract从文档中读取文本，并使用Imagick操作图像。

它依赖于GhostScript (gs) 将PDF文件转换为图像。

安装

安装所需的PHP库：php-imagick。在Ubuntu上

apt install php7-imagick

然后通过composer安装包

composer require lecodeurdudimanche/document-data-extractor

用法

首先，您需要定义您想要提取的数据以及它在图像上的位置

    $extractor = new Extractor();
    $regionsOfInterest = [
        // The name of the company is in the rectangle with the top left corner (700, 180) and a size of (1080, 160)
        new ROI('Name of the company')->setRect(700, 180, 1080, 160),
        new ROI('Total', 'integer')->setRect(1980, 1572, 58, 52);
    ];

接下来，您可以添加一些传递给tesseract的选项，以获得更精确的结果

    $tesseractConfiguration = [
        'psm' => 8, // Page segmentation method is set to 8 (single word)
        'tessdataDir' => '/usr/share/tessdata' // Other tesseract options ...
    ];
    $config = Configuration::fromArray(compact('regionsOfInterest', 'tesseractConfiguration'));
    $extractor->setConfig($config);

然后，您设置要从其中提取数据的文档

    $extractor->loadImage('/path/to/image.png'); // or
    $extractor->loadPDF('/path/to/document.pdf'); // or
    $extractor->setImage($imageData); // could be an Imagick or GD image or raw image data

最后，您调用run()方法来提取数据

    $data = $extractor->run();
    /*
    * $data = [
    * ['label' => 'Name of the company', 'type' => 'text', 'data' => 'Company Limited'],
    * ['label' => 'Total', 'type' => 'integer', 'data' => '55']
    * ];
    */

您可以使用toFile和fromFile方法保存和加载Configuration对象。文件格式是格式化的JSON。