php apache tika下載php apache tika源代碼下載

php apache tika

其他類別

v1.3.0

下載

PHP Apache Tika

該工具為PHP提供了Apache Tika綁定，可以從文檔，圖像和其他格式中提取文本和元數據。

支持以下模式：

應用模式：通過命令行接口運行應用程序JAR
服務器模式：向JSR 311網絡服務器提出HTTP請求

建議使用服務器模式，因為要快5倍，但是有些共享主機不允許在後台運行過程。

儘管該庫包含支持版本的列表，但只要Tika Team維護向後兼容，Apache Tika的任何版本都應兼容。因此，不必等待庫的更新與該工具的新版本一起使用。

特徵

簡單的類接口到Apache Tika功能：
- 文本和HTML提取
- 元數據提取
- OCR識別
標準的元數據文件
支持本地和遠程資源
沒有重量級圖書館依賴性
與Apache Tika 1.15或更高
- 測試高達1.28.5和2.9.2
在Linux，MacOS，Windows以及FreeBSD上工作

要求

PHP 7.3或更高
- 多鍵字符串支持
- 捲曲擴展
Apache Tika 1.15或更高
Oracle Java或OpenJDK
- tika 1.19或更高的Java 8
- tika的Java 7從1.15到1.18
Tesseract（OCR識別可選）

注意：受支持的PHP版本將與PHP團隊的最新支持保持同步

安裝

使用作曲家安裝：

composer require vaites/php-apache-tika

如果要使用OCR，則必須安裝Tesseract：

fedora/centos ： sudo yum install tesseract （在22或更高的Fedora上使用DNF代替YUM）
debian/ubuntu ： sudo apt-get install tesseract-ocr
MacOS ： brew install tesseract （使用自製）
Windows ： scoop install tesseract （使用scoop）

該庫假設tesseract二進制屬於路徑，因此您可以自己對其進行編譯或使用任何其他方法安裝。

用法

謹慎啟動Apache Tika服務器：

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

如果您使用的是JRE而不是JDK，則必須在Java 9或更高的情況下運行：

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

實例化類，檢查JAR是否存在或運行服務器：

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

如果要使用依賴注入，請序列化或僅延遲支票：

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

您也可以使用URL：

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

使用該類從文檔中提取文本：

 $ 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 ' );

或用於從圖像中提取文本：

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

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

您可以使用URL代替文件路徑，庫將下載文件並將其傳遞給Apache Tika。如下所述，啟動服務器時無需將-enableUnsecureFeatures -enableFileUrl添加到命令行中。

如果使用Apache Tika> = 2.0.0，則可以定義HTTPFetcher，並在啟動服務器啟動服務器時使用選項-enableUnsecureFeatures -enableFileUrl以使服務器在傳遞URL而不是文件名時下載遠程文件。為此，您必須使用$client->setFetcherName('yourFetcherName')設置httpfetcher的名稱。

方法

這是可用方法的完整列表

常見的

TIKA文件相關方法：

 $ 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 );

其他與Tika相關的方法：

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

編碼方法：

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

支持版本相關的方法：

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

設置/獲取回調以進行順序讀取響應：

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

設置/獲取Secutient的塊大小：

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

啟用/禁用內部遠程文件下載器：

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

設置Fetcher名稱：

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

命令行客戶端

設置/獲取JAR/JAVA路徑（僅CLI模式）：

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

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

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

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

Web客戶端

設置/獲取主機屬性

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

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

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

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

設置/獲取捲曲客戶端選項

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

設置/獲取超時：

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

設置/獲取HTTP標頭（請參閱Tikaserver）：

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

設置/獲取OCR語言（請參閱Tikaocr）：

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

設置http fetcher名稱（對於tika> = 2.0.0，請參見https：//cwiki.apache.org/confluence/display/tika/tika/tika-pipes）

 $ client -> setFetcherName ( $ fetcherName )

打破變化

由於1.0版本有一些破壞的變化：

不支持1.15之前的Apache tika版本（使用0.x版本1.14及以上）
php最低要求為7.3或更高（使用0.x版本7.1及以上）
$client->getRecursiveMetadata()按預期返回數組
Client::getSupportedVersions()和Client::isVersionSupported()方法無法靜態調用
Client::getAvailableDetectors()和Client::getAvailableParsers()返回的值是相同的，並且具有新的定義

有關更多詳細信息，請參見ChangElog.md。