如何使用PHP和Apache Tika實現文件處理和內容分析

隨著企業數位化進程的不斷推進，各種文件的處理和內容分析需求也越來越多。而在這個過程中，PHP作為一種較為廣泛使用的伺服器腳本語言，其使用方便、開發迅速的特質越來越被人們所認識和喜愛。而Apache Tika作為強大的文件處理和內容分析工具，更是備受人們的重視。本文將介紹如何使用PHP和Apache Tika實作文件處理和內容分析的方法。

一、什麼是Apache Tika？

Apache Tika是一個文件處理和內容分析的開源工具集。它可以幫助人們從各種文件中提取文字、元資料等訊息，是一個非常強大的內容分析工具。其支援的文件格式包括：PDF、Word、Excel、PowerPoint、HTML、XML、PlainText等。同時，Apache Tika也提供了各種程式語言的API，包括Java、Python、Ruby、.NET等。本文主要介紹如何使用PHP和Apache Tika實現文件處理和內容分析。安裝Apache Tika有兩種方式：

1.下載Apache Tika二進位。

官網網址：https://tika.apache.org/download.html
下載之後將其解壓縮到一個目錄下，例如解壓縮到「/opt/tika」的目錄下。

2.使用Maven進行安裝。

透過Maven安裝Apache Tika最簡單的方式是透過有效的pom.xml設定文件，內容如下：

     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>

二、如何使用PHP呼叫Apache Tika進行文件處理與內容分析？

Tika使用Java來寫，所以使用PHP呼叫Tika通常需要使用Java橋接。 PHP和Java之間的橋接主要有以下兩種方式：

1.使用PHP-Java Bridge。

PHP-Java Bridge提供了一個PHP擴展，可以讓PHP程式呼叫Java API。它透過HTTP協定將訊息傳送到Java Bridge伺服器，然後再將訊息轉送到Java VM，Java程式回應後將結果傳回PHP-Java Bridge伺服器，伺服器再將結果傳回PHP程式。這就是PHP-Java Bridge的基本工作原理。

2.使用JavaBridge.php檔案進行橋接。

JavaBridge.php檔案也是透過HTTP協定與Java VM進行通訊。 JavaBridge.php檔案不需要額外的PHP擴展，使用起來比較方便。

以下是使用PHP-Java Bridge的方式：

1.下載PHP-Java Bridge。
官網網址：http://www.php-java-bridge.org/

2.解壓縮並安裝PHP-Java Bridge。

解壓縮後的資料夾到伺服器的web目錄下，例如複製到「/var/www/html/JavaBridge」的目錄下。

3.啟動Java Bridge伺服器。

執行下列指令，啟動Java Bridge伺服器：

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

啟動成功後，將看到以下資訊：

[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.在PHP程式中呼叫Tika。

在PHP程式中，將JavaBridge.php檔案包含進來，並使用Java Bridge建立一個Java物件。範例程式碼如下：

// 新建一個Tika物件

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

// 解析文件內容

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

以上程式碼將列印解析的文件內容。

以下是使用JavaBridge.php檔案進行橋接的方式：

1.下載JavaBridge.jar。

官網位址：http://php-java-bridge.sourceforge.net/pjb/download.html

2.將JavaBridge.jar複製到Tika解壓縮目錄下的server/lib目錄下。

3.在PHP程式中呼叫Tika。

在PHP程式中，將JavaBridge.php檔案包含進來，並使用Java Bridge建立一個Java物件。範例程式碼如下：

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

// 新建一個Tika物件

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

// 解析文件內容

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

以上程式碼將列印解析的文檔內容。

三、如何實現文件處理與內容分析？

1.取得文件資訊。

首先需要取得文件的信息，包括文件的類型、大小、建立日期、修改日期等。以下是取得文件類型的範例程式碼：

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

以下是取得文件大小的範例程式碼：

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

以下是取得文件建立日期和修改日期的範例程式碼：

$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。

以上是如何使用PHP和Apache Tika實現文件處理和內容分析的詳細內容。更多資訊請關注PHP中文網其他相關文章！