php apache tika Download - php apache tika Source Code Download

php apache tika

فئات أخرى

v1.3.0

تنزيل

PHP Apache Tika

توفر هذه الأداة روابط Apache Tika لـ PHP ، مما يسمح باستخراج النص والبيانات الوصفية من المستندات والصور والتنسيقات الأخرى.

الأوضاع التالية مدعومة:

وضع التطبيق : قم بتشغيل جرة التطبيق عبر واجهة سطر الأوامر
وضع الخادم : تقديم طلبات HTTP إلى خادم شبكة JSR 311

يوصى بوضع الخادم لأنه أسرع 5 مرات ، ولكن بعض المضيفين المشتركين لا يسمحون بعمليات التشغيل في الخلفية.

على الرغم من أن المكتبة تحتوي على قائمة بالإصدارات المدعومة ، إلا أن أي إصدار من Apache Tika يجب أن يكون متوافقًا طالما يتم الحفاظ على التوافق المتخلف من قبل فريق Tika. لذلك ، ليس من الضروري انتظار تحديث المكتبة للعمل مع الإصدارات الجديدة من الأداة.

سمات

واجهة فئة بسيطة لميزات Apache Tika:
- النص واستخراج HTML
- استخراج البيانات الوصفية
- التعرف على OCR
بيانات التعريف المستقلة للوثائق
دعم الموارد المحلية والبعيدة
لا تبعيات مكتبة الوزن الثقيلة
متوافق مع Apache Tika 1.15 أو أكثر
- تم اختبار ما يصل إلى 1.28.5 و 2.9.2
يعمل على Linux و MacOS و Windows وربما على FreeBSD

متطلبات

PHP 7.3 أو أكبر
- دعم سلسلة متعددة
- امتداد حليقة
Apache Tika 1.15 أو أكثر
Oracle Java أو OpenJdk
- Java 8 لـ Tika 1.19 أو أكبر
- Java 7 لـ Tika من 1.15 إلى 1.18
Tesseract (اختياري للتعرف على المعرفة التعريفي)

ملاحظة : سيظل إصدار PHP المدعوم متزامنًا مع أحدث فريق مدعوم من قبل فريق PHP

تثبيت

التثبيت باستخدام الملحن:

composer require vaites/php-apache-tika

إذا كنت ترغب في استخدام OCR ، يجب عليك تثبيت Tesseract:

Fedora/Centos : sudo yum install tesseract (استخدم DNF بدلاً من Yum على Fedora 22 أو أكثر)
Debian/Ubuntu : sudo apt-get install tesseract-ocr
MacOS : brew install tesseract (باستخدام Homebrew)
Windows : scoop install tesseract (باستخدام SCOOP)

تفترض المكتبة أن tesseract Binary في المسار ، بحيث يمكنك تجميعها بنفسك أو تثبيتها باستخدام أي طريقة أخرى.

الاستخدام

ابدأ خادم Apache Tika بحذر:

java -jar tika-server-x.xx.jar

إذا كنت تستخدم JRE بدلاً من JDK ، فيجب عليك التشغيل إذا كان لديك Java 9 أو أكثر:

java --add-modules java.se.ee -jar tika-server-x.xx.jar

قم بتثبيت الفصل ، والتحقق مما إذا كانت الجرة موجودة أو تعمل الخادم:

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

إذا كنت ترغب في استخدام حقن التبعية ، فقم بتسلسل الفصل أو تأخير الشيك:

 $ client =  Vaites  ApacheTika Client:: prepare ( ' localhost ' , 9998 );
$ client =  Vaites  ApacheTika Client:: prepare ( ' /path/to/tika-app.jar ' );

يمكنك استخدام عنوان URL أيضًا:

 $ client =  Vaites  ApacheTika Client:: make ( ' http://localhost:9998 ' );
$ client =  Vaites  ApacheTika Client:: prepare ( ' http://localhost:9998 ' );

استخدم الفصل لاستخراج النص من المستندات:

 $ 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 ' );

أو استخدم لاستخراج النص من الصور:

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

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

يمكنك استخدام عنوان URL بدلاً من مسار الملف وستقوم المكتبة بتنزيل الملف وتمريره إلى Apache Tika. ليست هناك حاجة لإضافة -enableUnsecureFeatures -enableFileUrl إلى سطر الأوامر عند بدء تشغيل الخادم ، كما هو موضح هنا.

إذا كنت تستخدم Apache Tika> = 2.0.0 ، فيمكنك تحديد HTTPFetcher واستخدام الخيار -enableUnsecureFeatures -enableFileUrl عند بدء تشغيل الخادم لجعل الخادم تنزيل الملفات عن بُعد عند تمرير عنوان URL بدلاً من اسم ملف. من أجل القيام بذلك ، يجب عليك تعيين اسم httpfetcher باستخدام $client->setFetcherName('yourFetcherName') .

طُرق

فيما يلي القائمة الكاملة للطرق المتاحة

شائع

الطرق المتعلقة ملف Tika:

 $ client -> getMetadata ( $ file );
$ client -> getRecursiveMetadata ( $ file , ' text ' );
$ client -> getLanguage ( $ file );
$ client -> getMIME ( $ file );
$ client -> getHTML ( $ file );
$ client -> getXHTML ( $ file ); // only CLI mode
$ client -> getText ( $ file );
$ client -> getMainText ( $ file );

طرق أخرى متعلقة بالتيكا:

 $ client -> getSupportedMIMETypes ();
$ client -> getIsMIMETypeSupported ( ' application/pdf ' );
$ client -> getAvailableDetectors ();
$ client -> getAvailableParsers ();
$ client -> getVersion ();

طرق الترميز:

 $ client -> getEncoding ();
$ client -> setEncoding ( ' UTF-8 ' );

الأساليب ذات الصلة بالإصدارات المدعومة:

 $ client -> getSupportedVersions ();
$ client -> isVersionSupported ( $ version );

تعيين/الحصول على رد اتصال لقراءة التسلسل للاستجابة:

 $ client -> setCallback ( $ callback );
$ client -> getCallback ();

قم بتعيين/الحصول على حجم الجزء لقراءة Secuential:

 $ client -> setChunkSize ( $ size );
$ client -> getChunkSize ();

تمكين/تعطيل تنزيل الملفات عن بُعد الداخلية:

 $ client -> setDownloadRemote ( true );
$ client -> getDownloadRemote ();

اضبط اسم Fotcher:

 $ client -> setFetcherName ( $ fetcher ); // one of FileSystemFetcher, HttpFetcher, S3Fetcher, GCSFetcher, or SolrFetcher
$ client -> getFetcherName ();

عميل سطر الأوامر

تعيين/الحصول على مسارات جرة/جافا (وضع CLI فقط):

 $ client -> setPath ( $ path );
$ client -> getPath ();

$ client -> setJava ( $ java );
$ client -> getJava ();

$ client -> setJavaArgs ( ' -JXmx4g ' );
$ client -> getJavaArgs ();

$ client -> setEnvVars ([ ' LANG ' => ' es_ES.UTF-8 ' ]);
$ client -> getEnvVars ();

عميل الويب

تعيين/الحصول على خصائص المضيف

 $ client -> setHost ( $ host );
$ client -> getHost ();

$ client -> setPort ( $ port );
$ client -> getPort ();

$ client -> setUrl ( $ url );
$ client -> getUrl ();

$ client -> setRetries ( $ retries );
$ client -> getRetries ();

قم بتعيين/الحصول على خيارات عميل Curl

 $ client -> setOptions ( $ options );
$ client -> getOptions ();
$ client -> setOption ( $ option , $ value );
$ client -> getOption ( $ option );

تعيين/الحصول على مهلة:

 $ client -> setTimeout ( $ seconds );
$ client -> getTimeout ();

قم بتعيين/الحصول على رؤوس HTTP (انظر Tikaserver):

 $ client -> setHeader ( ' Foo ' , ' bar ' );
$ client -> getHeader ( ' Foo ' );
$ client -> setHeaders ([ ' Foo ' => ' bar ' , ' Bar ' => ' baz ' ]);
$ client -> getHeaders ();

تعيين/الحصول على لغات OCR (انظر Tikaoch):

 $ client -> setOCRLanguage ( $ language );
$ client -> setOCRLanguages ( $ languages );
$ client -> getOCRLanguages ();

اضبط اسم Fotcher HTTP (لـ Tika> = 2.0.0 فقط ، انظر https://cwiki.apache.org/confluence/display/tika/tika-pipes)

 $ client -> setFetcherName ( $ fetcherName )

كسر التغييرات

منذ الإصدار 1.0 هناك بعض التغييرات كسر:

لا يتم دعم إصدارات Apache Tika قبل 1.15 (استخدم نسخة 0.x لـ 1.14 وما فوق)
الحد الأدنى لمتطلبات PHP هو 7.3 أو أكبر (استخدم نسخة 0.x لـ 7.1 وما فوق)
$client->getRecursiveMetadata() إرجاع صفيف كما هو متوقع
Client::getSupportedVersions() و Client::isVersionSupported() لا يمكن استدعاء طرق ثابتة
القيم التي يتم إرجاعها من قبل Client::getAvailableDetectors() و Client::getAvailableParsers() متطابقة ولها تعريف جديد

انظر changelog.md لمزيد من التفاصيل.

استكشاف الأخطاء وإصلاحها

ردود فارغة أو نتائج غير متوقعة

هذه المكتبة ليست سوى وكيل ، لذا إذا حصلت على ردود empy أو النتائج غير المتوقعة ، فإن السبب الأكثر شيوعًا هو Tika نفسه. اختبار بسيط هو استخدام واجهة المستخدم الرسومية للتحقق من الاستجابة: