nekulin/php-apache-tika

Apache Tika PHP 绑定：从文档和图像（含OCR）中提取文本、元数据等...

维护者

详细信息

github.com/nekulin/php-apache-tika

源代码

安装: 18

依赖项: 0

建议者: 0

安全性: 0

星标: 0

关注者: 2

分支: 22

0.3.0 2015-12-13 22:50 UTC

Requires

  • php: >=5.4.0
  • ext-curl: *

Requires (Dev)

MIT e4c327c5fcef9507d17ebeb1e2925d81548d6a8e

  • David Martínez <contacto.woop@davidmartinez.net>

pdfdoctikadocxodtdocumentsOCRapachepptxofficeppt

This package is not auto-updated.

Last update: 2024-09-20 17:47:55 UTC

README

此工具提供了Apache Tika的PHP绑定，允许从文档、图像和其他格式中提取文本和元数据。

支持两种模式

  • 应用模式：通过命令行界面运行应用JAR
  • 服务器模式：向JSR 311网络服务器发送HTTP请求

服务器模式推荐，因为其速度是应用模式的5倍，但一些共享主机不允许在后台运行进程。

功能

  • Apache Tika功能的简单类接口
    • 文本和HTML提取
    • 元数据提取
    • OCR识别
  • 标准化文档元数据
  • 支持本地和远程资源
  • 无重量级库依赖

要求

  • PHP 5.4或更高版本
  • Apache Tika 1.7或更高版本
  • Oracle Java或OpenJDK
    • Tika至1.9版本需要Java 6
    • Tika 1.10或更高版本需要Java 7
  • Tesseract（OCR识别可选）

安装

使用composer安装

composer require vaites/php-apache-tika

如果您想使用OCR，必须安装Tesseract

  • Fedora/CentOS: sudo yum install tesseract（在Fedora 22或更高版本上使用dnf代替yum）
  • Debian/Ubuntu: sudo apt-get install tesseract-ocr
  • Mac OS X: brew install tesseract（使用Homebrew）

使用方法

谨慎启动Apache Tika服务器[1]

java -jar tika-server-1.10.jar

实例化类

$client = \Vaites\ApacheTika\Client::make('localhost', 9998);           // server mode (default)
$client = \Vaites\ApacheTika\Client::make('/path/to/tika-app.jar');     // app mode

使用类从文档中提取文本

$language = $client->getLanguage('/path/to/your/document');
$metadata = $client->getMetadata('/path/to/your/document');

$html = $client->getHTML('/path/to/your/document');
$text = $client->getText('/path/to/your/document');

或使用它从图像中提取文本

$client = \Vaites\ApacheTika\Client::make($host, $port);
$metadata = $client->getMetadata('/path/to/your/image');

$text = $client->getText('/path/to/your/image');

集成