ดาวน์โหลด php apache tika - php apache tika แหล่งที่มาดาวน์โหลด

php apache tika

หมวดหมู่อื่นๆ

v1.3.0

ดาวน์โหลด

php apache tika

เครื่องมือนี้ให้การผูก Apache Tika สำหรับ PHP ช่วยให้สามารถแยกข้อความและข้อมูลเมตาจากเอกสารรูปภาพและรูปแบบอื่น ๆ

รองรับโหมดต่อไปนี้:

โหมดแอพ : เรียกใช้ App Jar ผ่านอินเตอร์เฟสบรรทัดคำสั่ง
โหมดเซิร์ฟเวอร์ : ทำคำขอ HTTP ไปยัง JSR 311 Network Server

แนะนำโหมดเซิร์ฟเวอร์เนื่องจากเร็วกว่า 5 เท่า แต่โฮสต์ที่ใช้ร่วมกันบางตัวไม่อนุญาตให้ใช้กระบวนการรันในพื้นหลัง

แม้ว่าไลบรารีจะมีรายการของเวอร์ชันที่รองรับ Apache Tika รุ่นใด ๆ ควรเข้ากันได้ตราบเท่าที่ทีม Tika เข้ากันได้ ดังนั้นจึงไม่จำเป็นต้องรอการอัปเดตของไลบรารีเพื่อทำงานกับเครื่องมือเวอร์ชันใหม่

คุณสมบัติ

อินเทอร์เฟซคลาสอย่างง่ายไปยังคุณสมบัติ Apache Tika:
- การสกัดข้อความและ HTML
- การสกัดข้อมูลเมตา
- การรับรู้ OCR
ข้อมูลเมตาที่โดดเด่นสำหรับเอกสาร
สนับสนุนทรัพยากรในท้องถิ่นและระยะไกล
ไม่มีการพึ่งพาห้องสมุดเฮฟวี่เวท
เข้ากันได้กับ Apache Tika 1.15 หรือมากกว่า
- ทดสอบมากถึง 1.28.5 และ 2.9.2
ใช้งานได้กับ Linux, MacOS, Windows และอาจอยู่ใน FreeBSD

ความต้องการ

PHP 7.3 ขึ้นไป
- การสนับสนุนสตริง Multibyte
- ส่วนขยายขด
Apache Tika 1.15 ขึ้นไป
Oracle Java หรือ OpenJDK
- Java 8 สำหรับ Tika 1.19 หรือมากกว่า
- Java 7 สำหรับ Tika จาก 1.15 ถึง 1.18
Tesseract (เป็นทางเลือกสำหรับการรับรู้ OCR)

หมายเหตุ : เวอร์ชัน PHP ที่รองรับจะยังคงซิงค์กับทีม PHP ที่รองรับล่าสุด

การติดตั้ง

ติดตั้งโดยใช้นักแต่งเพลง:

composer require vaites/php-apache-tika

หากคุณต้องการใช้ OCR คุณต้องติดตั้ง Tesseract:

Fedora/Centos : sudo yum install tesseract (ใช้ DNF แทน yum บน fedora 22 หรือมากกว่า)
Debian/Ubuntu : sudo apt-get install tesseract-ocr
MacOS : brew install tesseract (ใช้ Homebrew)
Windows : scoop install tesseract (ใช้ Scoop)

ห้องสมุดถือว่า tesseract Binary อยู่ในเส้นทางดังนั้นคุณสามารถรวบรวมตัวเองหรือติดตั้งโดยใช้วิธีอื่น ๆ

การใช้งาน

เริ่มเซิร์ฟเวอร์ Apache Tika ด้วยความระมัดระวัง:

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

หากคุณใช้ JRE แทน JDK คุณต้องทำงานถ้าคุณมี Java 9 หรือมากกว่า:

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

อินสแตนซ์คลาสตรวจสอบว่า jar มีอยู่หรือเซิร์ฟเวอร์กำลังทำงานอยู่:

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

หากคุณต้องการใช้การฉีดพึ่งพาให้เป็นอนุกรมหรือเพียงแค่ล่าช้าการตรวจสอบ:

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

คุณสามารถใช้ URL ได้เช่นกัน:

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

ใช้คลาสเพื่อแยกข้อความจากเอกสาร:

 $ 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 ' );

หรือใช้เพื่อแยกข้อความจากรูปภาพ:

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

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

คุณสามารถใช้ URL แทนเส้นทางไฟล์และไลบรารีจะดาวน์โหลดไฟล์และส่งผ่านไปยัง Apache Tika ไม่จำเป็น ต้องเพิ่ม -enableUnsecureFeatures -enableFileUrl ในการสั่งบรรทัดเมื่อเริ่มต้นเซิร์ฟเวอร์ตามที่อธิบายไว้ที่นี่

หากคุณใช้ Apache tika> = 2.0.0 คุณ สามารถ กำหนด httpfetcher และใช้ตัวเลือก -enableUnsecureFeatures -enableFileUrl เมื่อเริ่มต้นเซิร์ฟเวอร์เพื่อให้เซิร์ฟเวอร์ดาวน์โหลดไฟล์ระยะไกลเมื่อผ่าน URL แทนชื่อไฟล์ ในการทำเช่นนั้นคุณต้องตั้งชื่อ Httpfetcher โดยใช้ $client->setFetcherName('yourFetcherName')

วิธีการ

นี่คือรายการทั้งหมดของวิธีการที่มีอยู่

ทั่วไป

วิธีการที่เกี่ยวข้องกับไฟล์ 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 );

วิธีอื่น ๆ ที่เกี่ยวข้องกับ Tika:

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

วิธีการเข้ารหัส:

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

วิธีการที่รองรับวิธีการที่เกี่ยวข้อง:

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

ตั้งค่า/รับการโทรกลับสำหรับการอ่านแบบต่อเนื่องของการตอบสนอง:

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

ตั้งค่า/รับขนาดก้อนสำหรับการอ่าน secuential:

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

เปิด/ปิดใช้งานตัวดาวน์โหลดไฟล์ระยะไกลภายใน:

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

ตั้งชื่อ Fetcher:

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

ไคลเอนต์บรรทัดคำสั่ง

ตั้งค่า/รับเส้นทาง JAR/JAVA (โหมด CLI เท่านั้น):

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

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

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

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

เว็บไคลเอนต์

ตั้งค่า/รับคุณสมบัติโฮสต์

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

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

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

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

ตั้ง/รับตัวเลือกไคลเอนต์ Curl

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

ตั้งค่า/รับหมดเวลา:

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

ชุด/รับส่วนหัว HTTP (ดู Tikaserver):

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

SET/GET OCR LANGUES

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

ตั้งค่าชื่อ http fetcher (สำหรับ tika> = 2.0.0 เท่านั้นดู https://cwiki.apache.org/confluence/display/tika/tika-pipes)

 $ client -> setFetcherName ( $ fetcherName )

ทำลายการเปลี่ยนแปลง

ตั้งแต่เวอร์ชัน 1.0 มีการเปลี่ยนแปลงบางอย่าง:

ไม่รองรับเวอร์ชัน Apache Tika ก่อน 1.15 (ใช้รุ่น 0.x สำหรับ 1.14 ขึ้นไป)
ข้อกำหนดขั้นต่ำ PHP คือ 7.3 หรือมากกว่า (ใช้ 0.x เวอร์ชันสำหรับ 7.1 ขึ้นไป)
$client->getRecursiveMetadata() ส่งคืนอาร์เรย์ตามที่คาดไว้
Client::getSupportedVersions() และ Client::isVersionSupported() วิธีการไม่สามารถเรียกได้แบบคงที่
ค่าที่ส่งคืนโดย Client::getAvailableDetectors() Client::getAvailableParsers()

ดู Changelog.md สำหรับรายละเอียดเพิ่มเติม

การแก้ไขปัญหา

คำตอบที่ว่างเปล่าหรือผลลัพธ์ที่ไม่คาดคิด

ห้องสมุดนี้เป็นเพียง พร็อกซี ดังนั้นหากคุณได้รับการตอบกลับ Empy หรือผลลัพธ์ที่ไม่คาดคิดสาเหตุที่พบบ่อยที่สุดคือ Tika เอง การทดสอบอย่างง่ายคือการใช้ GUI เพื่อตรวจสอบการตอบกลับ:

เรียกใช้แอป Tika โดยไม่มีข้อโต้แย้ง: java -jar tika-app-x.xx.jar
วางไฟล์ของคุณหรือเลือกโดยใช้ ไฟล์ -> เปิด
รอจนกว่าข้อมูลเมตาจะปรากฏขึ้น
รับข้อความหรือ HTML โดยใช้เมนู มุมมอง

หากผลลัพธ์เหมือนกันคุณต้องดูที่จิราของ Tika และเปิดปัญหาหากจำเป็น

การเข้ารหัส

โดยค่าเริ่มต้นข้อความที่ส่งคืนจะถูกเข้ารหัสด้วย UTF-8 และ Client::setEncoding() อนุญาตให้ตั้งค่าการเข้ารหัสที่คาดหวัง

การทดสอบ

การทดสอบได้รับการออกแบบมาเพื่อ ครอบคลุมคุณสมบัติทั้งหมดสำหรับ Apache Tika ทุกรุ่นที่รองรับ ในโหมดแอพและโหมดเซิร์ฟเวอร์ มีตัวอย่างไม่กี่ตัวอย่างที่จะทดสอบ:

ตัวอย่างที่ 1 : ข้อมูลเมตาดาต้าและการสกัดข้อความ
ตัวอย่าง 2 : ข้อมูลเมตา
ตัวอย่างที่ 3 : การจดจำข้อความ
ตัวอย่างที่ 4 : สื่อที่ไม่ได้รับการสนับสนุน
ตัวอย่าง 5 : ข้อความขนาดใหญ่สำหรับการโทรกลับ
ตัวอย่าง 6 : การโทรจากระยะไกล
ตัวอย่าง 7 : การเข้ารหัสข้อความ
ตัวอย่างที่ 8 : ข้อมูลเมตาเรย์แบบเรียกซ้ำ