PHP와 Apache Tika를 사용하여 문서 처리 및 콘텐츠 분석을 구현하는 방법

기업의 디지털화가 지속적으로 발전함에 따라 다양한 문서의 처리 및 내용 분석에 대한 요구가 늘어나고 있습니다. 이 과정에서 상대적으로 널리 사용되는 서버 스크립팅 언어인 PHP는 사용 편의성과 빠른 개발 속도로 점점 더 인지도와 사랑을 받고 있습니다. 강력한 문서 처리 및 콘텐츠 분석 도구인 Apache Tika가 많은 주목을 받았습니다. 이 기사에서는 PHP와 Apache Tika를 사용하여 문서 처리 및 콘텐츠 분석을 구현하는 방법을 소개합니다.

1. 아파치 티카란?

Apache Tika는 문서 처리 및 콘텐츠 분석을 위한 오픈 소스 도구 세트입니다. 이는 사람들이 다양한 문서에서 텍스트, 메타데이터 및 기타 정보를 추출하는 데 도움을 줄 수 있으며 매우 강력한 콘텐츠 분석 도구입니다. 지원되는 문서 형식에는 PDF, Word, Excel, PowerPoint, HTML, XML, PlainText 등이 포함됩니다. 동시에 Apache Tika는 Java, Python, Ruby, .NET 등을 포함한 다양한 프로그래밍 언어로 API도 제공합니다. 이 글에서는 주로 PHP와 Apache Tika를 사용하여 문서 처리 및 콘텐츠 분석을 구현하는 방법을 소개합니다. Apache Tika를 설치하는 방법에는 두 가지가 있습니다.

1 Apache Tika 바이너리를 다운로드합니다.

공식 홈페이지 주소 : https://tika.apache.org/download.html
다운로드 후 "/opt/tika" 같은 디렉토리에 압축을 풀어주세요.

2. Maven을 사용하여 설치하세요.

Maven을 통해 Apache Tika를 설치하는 가장 쉬운 방법은 유효한 pom.xml 구성 파일을 사용하는 것입니다. 해당 파일의 내용은 다음과 같습니다.

< ;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>

2. 문서 처리 및 콘텐츠 분석을 위해 PHP를 사용하여 Apache Tika를 호출하는 방법은 무엇입니까?

Tika는 Java로 작성되었으므로 PHP를 사용하여 Tika를 호출하려면 일반적으로 Java 브리지를 사용해야 합니다. PHP와 Java를 연결하는 두 가지 주요 방법이 있습니다.

1 PHP-Java Bridge를 사용하세요.

PHP-Java Bridge는 PHP 프로그램이 Java API를 호출할 수 있도록 하는 PHP 확장을 제공합니다. HTTP 프로토콜을 통해 Java Bridge 서버로 메시지를 보낸 다음 Java 프로그램이 응답한 후 결과를 PHP-Java Bridge 서버로 반환하고, 서버는 그 결과를 Java VM으로 반환합니다. PHP 프로그램. 이것이 PHP-Java Bridge의 기본 작동 원리입니다.

2. 브리징에는 JavaBridge.php 파일을 사용하세요.

JavaBridge.php 파일은 HTTP 프로토콜을 통해 Java VM과도 통신합니다. JavaBridge.php 파일은 추가 PHP 확장이 필요하지 않으며 사용하기 더 편리합니다.

PHP-Java Bridge를 사용하는 방법은 다음과 같습니다.

1 PHP-Java Bridge를 다운로드합니다.
공식 웹사이트 주소: http://www.php-java-bridge.org/

2. 압축을 풀고 PHP-Java Bridge를 설치하세요.

압축 해제된 폴더를 추출하여 서버의 웹 디렉터리(예: "/var/www/html/JavaBridge")에 복사합니다.

3. Java Bridge 서버를 시작합니다.

다음 명령을 실행하여 Java Bridge 서버를 시작합니다.

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

성공적으로 시작되면 다음과 같은 메시지가 표시됩니다. 다음 정보 :

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

4. PHP 프로그램 티카.

PHP 프로그램에 JavaBridge.php 파일을 포함시키고 Java Bridge를 사용하여 Java 개체를 만듭니다. 샘플 코드는 다음과 같습니다.

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

// 새 Tika 객체 생성
$tika = new Java('org.apache. tika.Tika' );

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

위의 코드는 구문 분석된 문서 내용을 인쇄합니다.

JavaBridge.php 파일을 사용하여 브리지하는 방법은 다음과 같습니다.

1 JavaBridge.jar을 다운로드합니다.
공식 웹사이트 주소: http://php-java-bridge.sourceforge.net/pjb/download.html

2. JavaBridge.jar을 Tika 압축 해제 디렉터리의 server/lib 디렉터리에 복사합니다.

3. PHP 프로그램에서 Tika를 호출합니다.

PHP 프로그램에 JavaBridge.php 파일을 포함시키고 Java Bridge를 사용하여 Java 개체를 만듭니다. 샘플 코드는 다음과 같습니다.

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

// 새 Tika 객체 생성
$tika = new Java('org.apache.tika.Tika');

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

위 코드는 구문 분석된 문서 콘텐츠.

3. 문서 처리 및 내용 분석을 구현하는 방법은 무엇입니까?

1. 문서 정보를 가져옵니다.

먼저 문서 유형, 크기, 생성 날짜, 수정 날짜 등을 포함한 문서 정보를 얻어야 합니다. 다음은 문서 유형을 가져오는 샘플 코드입니다.

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

다음은 문서 크기에 대한 샘플 코드를 얻는 것입니다:

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

The 다음은 문서 생성 날짜와 수정 날짜 예제 코드를 가져오는 것입니다.

$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。

위 내용은 PHP와 Apache Tika를 사용하여 문서 처리 및 콘텐츠 분석을 구현하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!