php apache tika
该工具为PHP提供了Apache Tika绑定，可以从文档，图像和其他格式中提取文本和元数据。
支持以下模式：
- 应用模式：通过命令行接口运行应用程序JAR
- 服务器模式：向JSR 311网络服务器提出HTTP请求
建议使用服务器模式，因为要快5倍，但是有些共享主机不允许在后台运行过程。
尽管该库包含支持版本的列表，但只要Tika Team维护向后兼容，Apache Tika的任何版本都应兼容。因此，不必等待库的更新与该工具的新版本一起使用。
特征
- 简单的类接口到Apache Tika功能：
- 文本和HTML提取
- 元数据提取
- OCR识别
- 标准的元数据文件
- 支持本地和远程资源
- 没有重量级图书馆依赖性
- 与Apache Tika 1.15或更高
- 测试高达1.28.5、2.9.3和3.1.0
- 在Linux，MacOS，Windows以及FreeBSD上工作
要求
- PHP 7.3或更高
- 多键字符串支持
- 卷曲扩展
- Apache Tika 1.15或更高
- Oracle Java或OpenJDK
- tika 1.19或更高的Java 8
- tika的Java 7从1.15到1.18
- Tesseract（OCR识别可选）
注意：受支持的PHP版本将与PHP团队的最新支持保持同步
安装
使用作曲家安装：
composer require vaites/php-apache-tika如果要使用OCR，则必须安装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（使用自制） - Windows ：
scoop install tesseract（使用scoop）
该库假设tesseract二进制属于路径，因此您可以自己对其进行编译或使用任何其他方法安装。
用法
谨慎启动Apache Tika服务器：
java -jar tika-server-x.xx.jar如果您使用的是JRE而不是JDK，则必须在Java 9或更高的情况下运行：
java --add-modules java.se.ee -jar tika-server-x.xx.jar实例化类，检查JAR是否存在或运行服务器：
$ client = Vaites ApacheTika Client:: make ( ' localhost ' , 9998 ); // server mode (default)
$ client = Vaites ApacheTika Client:: make ( ' /path/to/tika-app.jar ' ); // app mode 如果要使用依赖注入，请序列化或仅延迟支票：
$ 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://l*o*c*alhost:9998 ' );
$ client = Vaites ApacheTika Client:: prepare ( ' http://l*o*c*alhost:9998 ' );使用该类从文档中提取文本：
$ 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 ' );或用于从图像中提取文本：
$ 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代替文件路径，库将下载文件并将其传递给Apache Tika。如下所述，启动服务器时无需将-enableUnsecureFeatures -enableFileUrl添加到命令行中。
如果使用Apache Tika> = 2.0.0，则可以定义HTTPFetcher，并在启动服务器启动服务器时使用选项-enableUnsecureFeatures -enableFileUrl以使服务器在传递URL而不是文件名时下载远程文件。为此，您必须使用$client->setFetcherName('yourFetcherName')设置httpfetcher的名称。
方法
这是可用方法的完整列表
常见的
TIKA文件相关方法：
$ 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 );其他与Tika相关的方法：
$ client -> getSupportedMIMETypes ();
$ client -> getIsMIMETypeSupported ( ' application/pdf ' );
$ client -> getAvailableDetectors ();
$ client -> getAvailableParsers ();
$ client -> getVersion ();编码方法：
$ client -> getEncoding ();
$ client -> setEncoding ( ' UTF-8 ' );支持版本相关的方法：
$ client -> getSupportedVersions ();
$ client -> isVersionSupported ( $ version );设置/获取回调以进行顺序读取响应：
$ client -> setCallback ( $ callback );
$ client -> getCallback ();设置/获取Secutient的块大小：
$ client -> setChunkSize ( $ size );
$ client -> getChunkSize ();启用/禁用内部远程文件下载器：
$ client -> setDownloadRemote ( true );
$ client -> getDownloadRemote ();设置Fetcher名称：
$ client -> setFetcherName ( $ fetcher ); // one of FileSystemFetcher, HttpFetcher, S3Fetcher, GCSFetcher, or SolrFetcher
$ client -> getFetcherName ();命令行客户端
设置/获取JAR/JAVA路径（仅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客户端
设置/获取主机属性
$ client -> setHost ( $ host );
$ client -> getHost ();
$ client -> setPort ( $ port );
$ client -> getPort ();
$ client -> setUrl ( $ url );
$ client -> getUrl ();
$ client -> setRetries ( $ retries );
$ client -> getRetries ();设置/获取卷曲客户端选项
$ client -> setOptions ( $ options );
$ client -> getOptions ();
$ client -> setOption ( $ option , $ value );
$ client -> getOption ( $ option );设置/获取超时：
$ client -> setTimeout ( $ seconds );
$ client -> getTimeout ();设置/获取HTTP标头（请参阅Tikaserver）：
$ client -> setHeader ( ' Foo ' , ' bar ' );
$ client -> getHeader ( ' Foo ' );
$ client -> setHeaders ([ ' Foo ' => ' bar ' , ' Bar ' => ' baz ' ]);
$ client -> getHeaders ();设置/获取OCR语言（请参阅Tikaocr）：
$ client -> setOCRLanguage ( $ language );
$ client -> setOCRLanguages ( $ languages );
$ client -> getOCRLanguages ();设置http fetcher名称（对于tika> = 2.0.0，请参见https：//cwiki.apache.org/confluence/display/tika/tika/tika-pipes）
$ client -> setFetcherName ( $ fetcherName )打破变化
由于1.0版本有一些破坏的变化：
- 不支持1.15之前的Apache tika版本（使用0.x版本1.14及以上）
- php最低要求为7.3或更高（使用0.x版本7.1及以上）
-
$client->getRecursiveMetadata()按预期返回数组 -
Client::getSupportedVersions()和Client::isVersionSupported()方法无法静态调用 -
Client::getAvailableDetectors()和Client::getAvailableParsers()返回的值是相同的，并且具有新的定义
有关更多详细信息，请参见ChangElog.md。
故障排除
空的响应或意外结果
该库只是代理人，因此，如果您得到灰度响应或意外结果，最常见的原因是tika本身。一个简单的测试是使用GUI检查响应：
- 在没有参数的情况下运行tika应用程序：
java -jar tika-app-x.xx.jar - 放下文件或使用文件 - >打开
- 等到元数据出现
- 使用视图菜单获取文本或HTML
如果结果相同，则必须查看Tika的Jira并在必要时打开问题。
编码
默认情况下，返回的文本是用UTF-8编码的， Client::setEncoding()方法允许设置预期的编码。
测试
测试旨在涵盖App模式和服务器模式下Apache Tika的所有受支持版本的所有功能。有一些样本可以测试：
- 样本1 ：文档元数据和文本提取
- 样本2 ：图像元数据
- 样本3 ：文本识别
- 样本4 ：不支持的媒体
- 示例5 ：回调的巨大文字
- 示例6 ：远程通话
- 示例7 ：文本编码
- 样本8 ：递归元数据
已知问题
在测试过程中发现了一些问题，与此库无关：
- apache tika 1.17及较低无法从tika-2509中所述从OCR提取文本
- Tesseract减慢文档解析，如Tika-2359中所述
集成
- Symfony2捆绑包
通过命令行克隆项目: