Bagaimana untuk melaksanakan pemprosesan dokumen dan analisis kandungan menggunakan PHP dan Apache Tika

Dengan kemajuan berterusan pendigitalan perusahaan, terdapat peningkatan permintaan untuk pemprosesan dan analisis kandungan pelbagai dokumen. Dalam proses ini, PHP, sebagai bahasa skrip pelayan yang digunakan secara relatifnya, semakin dikenali dan disayangi kerana kemudahan penggunaan dan perkembangan pesatnya. Apache Tika, sebagai alat pemprosesan dokumen dan analisis kandungan yang berkuasa, telah menarik lebih banyak perhatian. Artikel ini akan memperkenalkan cara menggunakan PHP dan Apache Tika untuk melaksanakan pemprosesan dokumen dan analisis kandungan.

1 Apa itu Apache Tika?

Apache Tika ialah set alat sumber terbuka untuk pemprosesan dokumen dan analisis kandungan. Ia boleh membantu orang mengekstrak teks, metadata dan maklumat lain daripada pelbagai dokumen, dan merupakan alat analisis kandungan yang sangat berkuasa. Format dokumen yang disokongnya termasuk: PDF, Word, Excel, PowerPoint, HTML, XML, PlainText, dsb. Pada masa yang sama, Apache Tika juga menyediakan API dalam pelbagai bahasa pengaturcaraan, termasuk Java, Python, Ruby, .NET, dll. Artikel ini terutamanya memperkenalkan cara menggunakan PHP dan Apache Tika untuk melaksanakan pemprosesan dokumen dan analisis kandungan. Terdapat dua cara untuk memasang Apache Tika:

1. Muat turun binari Apache Tika.

Alamat tapak web rasmi: https://tika.apache.org/download.html
Selepas memuat turun, nyahzipnya ke direktori, seperti direktori "/opt/tika".

2. Gunakan Maven untuk memasang.

Cara paling mudah untuk memasang Apache Tika melalui Maven adalah melalui fail konfigurasi pom.xml yang sah, yang kandungannya adalah seperti berikut:

52b189f45abba88b2989c5c1f30b7a34
< ;project xmlns="http://maven.apache.org/POM/4.0.0"

     xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
     xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>org.apache.tika</groupId>
<artifactId>tika-parsers</artifactId>
<version>1.26</version>

1755c7176d4002e2a322de4f48c796fa

2 Bagaimana menggunakan PHP untuk memanggil Apache Tika untuk pemprosesan dokumen dan analisis kandungan?

Tika ditulis dalam Java, jadi memanggil Tika menggunakan PHP biasanya memerlukan penggunaan jambatan Java. Terdapat dua cara utama untuk merapatkan PHP dan Java:

1 Gunakan PHP-Java Bridge.

PHP-Java Bridge menyediakan sambungan PHP yang membolehkan program PHP memanggil API Java. Ia menghantar mesej kepada pelayan Java Bridge melalui protokol HTTP, dan kemudian memajukan mesej ke Java VM Selepas program Java bertindak balas, hasilnya dikembalikan kepada pelayan PHP-Java Bridge, dan pelayan mengembalikan hasilnya kepada. program PHP. Ini adalah prinsip kerja asas PHP-Java Bridge.

2. Gunakan fail JavaBridge.php untuk merapatkan.

Fail JavaBridge.php juga berkomunikasi dengan Java VM melalui protokol HTTP. Fail JavaBridge.php tidak memerlukan sambungan PHP tambahan dan lebih mudah digunakan.

Begini cara menggunakan PHP-Java Bridge:

1.
Alamat laman web rasmi: http://www.php-java-bridge.org/

2.

Ekstrak dan salin folder yang dinyahmampat ke direktori web pelayan, contohnya, ke direktori "/var/www/html/JavaBridge".

3. Mulakan pelayan Java Bridge.

Laksanakan arahan berikut untuk memulakan pelayan Java Bridge:

cd /var/www/html/JavaBridge/
sudo ./php-java-bridge-7.0.0.jar start

Selepas permulaan yang berjaya, anda akan melihat maklumat berikut ：

[INFO - 2017-08-07T01:47:23.727000Z] php.java.bridge.AbstractJavaBridge.init() php.java.bridge.version = 7.0.0
[INFO - 2017-08-2017 07T01:47 :23.732000Z] php.java.bridge.AbstractJavaBridge.init() php.java.bridge.home = /home/user/projects/php-java-bridge
[...]

4 Program PHP Tika.

Dalam program PHP, masukkan fail JavaBridge.php dan gunakan Java Bridge untuk mencipta objek Java. Kod sampel adalah seperti berikut:

require_once('/var/www/html/JavaBridge/java/Java.inc');

// Cipta objek Tika baharu
$tika = Java baharu('org.apache. tika.Tika' );

// Menghuraikan kandungan dokumen
$kandungan = $tika->parseToString(Java baharu('java.io.File', '/path/to/document.pdf'));

Kod di atas akan mencetak kandungan dokumen Parsed.

Berikut ialah cara untuk merapatkan menggunakan fail JavaBridge.php:

1. Muat turun JavaBridge.jar.
Alamat tapak web rasmi: http://php-java-bridge.sourceforge.net/pjb/download.html

2. Salin JavaBridge.jar ke direktori pelayan/lib dalam direktori penyahmampatan Tika.

3. Panggil Tika dalam program PHP.

Dalam program PHP, masukkan fail JavaBridge.php dan gunakan Java Bridge untuk mencipta objek Java. Kod sampel adalah seperti berikut:

require_once('/path/to/JavaBridge.php');

// Create a new Tika object
$tika = new Java('org.apache.tika.Tika');

// Parse kandungan dokumen
$content = $tika->parseToString(new Java('java.io.File', '/path/to/document.pdf'));

Kod di atas akan mencetak kandungan dokumen yang dihuraikan.

3. Bagaimana untuk melaksanakan pemprosesan dokumen dan analisis kandungan?

1. Dapatkan maklumat dokumen.

Pertama, anda perlu mendapatkan maklumat dokumen, termasuk jenis dokumen, saiz, tarikh penciptaan, tarikh pengubahsuaian, dsb. Berikut ialah contoh kod untuk mendapatkan jenis dokumen:

$type = $tika->detect(new Java('java.io.File', '/path/to/document.pdf'));

Berikut adalah untuk mendapatkan kod Contoh untuk saiz dokumen:

$size = (Java baharu('java.io.File', '/path/to/document.pdf'))->length();

The berikut adalah untuk mendapatkan kod contoh tarikh pembuatan dokumen dan tarikh diubah suai:

$metadata = $tika->parseMetaData(Java baharu('java.io.File', '/path/to/document.pdf'));

echo "创建日期：" . $metadata->get('Creation-Date') . "
";
echo "修改日期：" . $metadata->get('Modify-Date') . "
";

2.提取文本内容。

使用Tika提取文档的文本内容非常简单，只需要将文档文件的路径传递给parseToString()方法即可。以下是代码示例：

$content = $tika->parseToString(new Java('java.io.File', '/path/to/document.pdf'));

3.提取标签信息。

使用Tika提取文档的标签信息也非常容易，只需要传递一个参数给parseToString()方法。以下是代码示例：

$content = $tika->parseToString(new Java('java.io.File', '/path/to/document.pdf'),

                            new Java('org.apache.tika.parser.html.HtmlMapper'));

4.提取元数据信息。

使用Tika提取文档的元数据非常容易，只需要调用Tika的parseMetaData()方法即可。以下是代码示例：

$metadata = $tika->parseMetaData(new Java('java.io.File', '/path/to/document.pdf'));

echo "标题：" . $metadata->get('title') . "
";
echo "作者：" . $metadata->get('creator') . "
";
echo "关键字：" . $metadata->get('keywords') . "
";
echo "主题：" . $metadata->get('subject') . "
";

5.生成HTML、XML、JSON等格式的文档。

使用Tika生成HTML、XML、JSON等格式的文档非常容易，在生成时只需要指定输出格式即可。以下是代码示例：

$html = $tika->parseToString(new Java('java.io.File', '/path/to/document.pdf'),

                            new Java('org.apache.tika.parser.html.HtmlMapper'));

$xml = $tika->parseToString(new Java('java.io.File', '/path/to/document.pdf'),

                            new Java('org.apache.tika.parser.xml.XMLResult'));

$json = $tika->parseToString(new Java('java.io.File', '/path/to/document.pdf'),

                            new Java('org.apache.tika.parser.JSON.JSONResult'));

总结：

本文介绍了使用PHP和Apache Tika实现文档处理和内容分析的方法。通过调用Tika的API，可以轻松地从各种文档中提取文本、元数据、标签等信息，并生成HTML、XML、JSON等格式的文档。这种方式充分利用了PHP和Tika的优势，让人们能够更加快速、高效地处理和分析文档内容。

Atas ialah kandungan terperinci Bagaimana untuk melaksanakan pemprosesan dokumen dan analisis kandungan menggunakan PHP dan Apache Tika. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!