Comment implémenter le traitement de documents et l'analyse de contenu à l'aide de PHP et Apache Tika

Alors que les entreprises continuent de progresser dans leur processus de numérisation, les demandes de traitement et d'analyse du contenu de divers documents augmentent. Dans ce processus, PHP, en tant que langage de script serveur relativement largement utilisé, est de plus en plus reconnu et apprécié pour sa facilité d'utilisation et son développement rapide. Apache Tika, en tant que puissant outil de traitement de documents et d'analyse de contenu, a beaucoup attiré l'attention. Cet article explique comment utiliser PHP et Apache Tika pour implémenter le traitement de documents et l'analyse de contenu.

1. Qu'est-ce qu'Apache Tika ?

Apache Tika est un ensemble d'outils open source pour le traitement de documents et l'analyse de contenu. Il peut aider les utilisateurs à extraire du texte, des métadonnées et d'autres informations à partir de divers documents et constitue un outil d'analyse de contenu très puissant. Les formats de documents pris en charge incluent : PDF, Word, Excel, PowerPoint, HTML, XML, PlainText, etc. Parallèlement, Apache Tika fournit également des API dans divers langages de programmation, notamment Java, Python, Ruby, .NET, etc. Cet article présente principalement comment utiliser PHP et Apache Tika pour implémenter le traitement de documents et l'analyse de contenu. Il existe deux façons d'installer Apache Tika :

1 Téléchargez le fichier binaire Apache Tika.

Adresse officielle du site : https://tika.apache.org/download.html
Après le téléchargement, décompressez-le dans un répertoire, par exemple, décompressez-le dans le répertoire "/opt/ "Tika".

2. Utilisez Maven pour installer.

Le moyen le plus simple d'installer Apache Tika via Maven consiste à utiliser un fichier de configuration pom.xml valide, dont le contenu est le suivant :

     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>

2. Comment utiliser PHP pour appeler Apache Tika pour le traitement de documents et l'analyse de contenu ?

Tika est écrit en Java, donc appeler Tika en utilisant PHP nécessite généralement l'utilisation d'un pont Java. Il existe deux manières principales de relier PHP et Java :

1 Utilisez PHP-Java Bridge.

PHP-Java Bridge fournit une extension PHP qui permet aux programmes PHP d'appeler des API Java. Il envoie le message au serveur Java Bridge via le protocole HTTP, puis transmet le message à la machine virtuelle Java. Une fois la réponse du programme Java, le résultat est renvoyé au serveur PHP-Java Bridge et le serveur renvoie le résultat au serveur Java Bridge. Programme PHP. C'est le principe de fonctionnement de base de PHP-Java Bridge.

2. Utilisez le fichier JavaBridge.php pour le pontage.

Le fichier JavaBridge.php communique également avec la VM Java via le protocole HTTP. Le fichier JavaBridge.php ne nécessite pas d'extensions PHP supplémentaires et est plus pratique à utiliser.

Voici comment utiliser PHP-Java Bridge :

1.
Adresse du site officiel : http://www.php-java-bridge.org/

2 Décompressez et installez PHP-Java Bridge.

Décompressez et copiez le dossier décompressé dans le répertoire web du serveur, par exemple dans le répertoire "/var/www/html/JavaBridge".

3. Démarrez le serveur Java Bridge.

Exécutez la commande suivante pour démarrer le serveur Java Bridge :

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

Après un démarrage réussi, vous verrez les informations suivantes :

[INFO - 2017-08-07T01:47:23.727000Z] php.java .bridge. java.bridge .home = /home/user/projects/php-java-bridge
[...]

4.

Dans le programme PHP, incluez le fichier JavaBridge.php et utilisez Java Bridge pour créer un objet Java. L'exemple de code est le suivant :

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

// Créer un nouvel objet Tika

$tika = new Java('org.apache.tika.Tika');

// Analyser le contenu du document

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

Le code ci-dessus imprimera le contenu du document analysé.

Voici comment créer un pont à l'aide du fichier JavaBridge.php :

1.

Adresse du site officiel : http://php-java-bridge.sourceforge.net/pjb/download.html

2 Copiez JavaBridge.jar dans server/lib dans le répertoire de décompression de Tika. annuaire.

3. Appelez Tika dans le programme PHP.

Dans le programme PHP, incluez le fichier JavaBridge.php et utilisez Java Bridge pour créer un objet Java. L'exemple de code est le suivant :

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

// Créer un nouvel objet Tika

$tika = new Java( 'org.apache.tika.Tika');

// Analyser le contenu du document

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

Le code ci-dessus imprimera le contenu du document analysé.

3. Comment mettre en œuvre le traitement des documents et l'analyse du contenu ?

1. Obtenez des informations sur le document.

Tout d'abord, vous devez obtenir les informations du document, notamment le type de document, sa taille, la date de création, la date de modification, etc. Voici un exemple de code pour obtenir le type de document :

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

Ce qui suit est un exemple de code pour obtenir la taille du document :

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

Ce qui suit est un exemple de code pour obtenir la date de création et la date de modification du document :

$metadata = $tika->parseMetaData(new Java('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。

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!