PHP と Apache Tika を使用してドキュメント処理とコンテンツ分析を実装する方法

企業のデジタル化プロセスが進むにつれ、さまざまなドキュメントの処理と内容分析の需要が高まっています。この過程で、比較的広く使用されているサーバー スクリプト言語としての PHP は、その使いやすさと迅速な開発によりますます認識され、愛されるようになりました。 Apache Tika は、強力なドキュメント処理およびコンテンツ分析ツールとして多くの注目を集めています。この記事では、PHP と Apache Tika を使用してドキュメント処理とコンテンツ分析を実装する方法を紹介します。

1.Apache Tika とは何ですか?

Apache Tika は、ドキュメント処理とコンテンツ分析のためのオープンソース ツールセットです。これは、さまざまなドキュメントからテキスト、メタデータ、その他の情報を抽出するのに役立ち、非常に強力なコンテンツ分析ツールです。サポートするドキュメント形式には、PDF、Word、Excel、PowerPoint、HTML、XML、PlainText などが含まれます。同時に、Apache Tika は、Java、Python、Ruby、.NET などを含むさまざまなプログラミング言語の API も提供します。この記事では主に、PHP と Apache Tika を使用して文書処理とコンテンツ分析を実装する方法を紹介します。 Apache Tika をインストールするには 2 つの方法があります:

1. Apache Tika バイナリ ファイルをダウンロードします。

公式 Web サイトのアドレス: https://tika.apache.org/download.html
ダウンロード後、ディレクトリ「/opt/tika」などのディレクトリに解凍します。

2. Maven を使用してインストールします。

Maven を介して Apache Tika をインストールする最も簡単な方法は、有効な pom.xml 構成ファイルを使用することです。その内容は次のとおりです:

     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、ドキュメント処理とコンテンツ分析のために PHP を使用して Apache Tika を呼び出すにはどうすればよいですか?

Tika は Java で書かれているため、PHP を使用して Tika を呼び出すには、通常、Java ブリッジを使用する必要があります。 PHP と Java をブリッジするには、主に 2 つの方法があります:

1. PHP-Java ブリッジを使用します。

PHP-Java Bridge は、PHP プログラムが Java API を呼び出すことを可能にする PHP 拡張機能を提供します。 HTTP プロトコルを介してメッセージを Java Bridge サーバーに送信し、Java VM に転送します。Java プログラムが応答した後、結果が PHP-Java Bridge サーバーに返され、サーバーはその結果を PHP-Java Bridge サーバーに返します。 PHPプログラム。これは、PHP-Java Bridge の基本的な動作原理です。

2. ブリッジングには JavaBridge.php ファイルを使用します。

JavaBridge.php ファイルは、HTTP プロトコルを通じて Java VM とも通信します。 JavaBridge.php ファイルは追加の PHP 拡張機能を必要とせず、より便利に使用できます。

PHP-Java Bridge の使用方法は次のとおりです:

1. PHP-Java Bridge をダウンロードします。
公式 Web サイトのアドレス: http://www.php-java-bridge.org/

2. PHP-Java Bridge を解凍してインストールします。

解凍されたフォルダーを抽出し、サーバーの Web ディレクトリ (たとえば、ディレクトリ "/var/www/html/JavaBridge") にコピーします。

3. Java Bridge サーバーを起動します。

次のコマンドを実行して Java Bridge サーバーを起動します:

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

正常に起動すると、次の情報が表示されます:

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

4. PHP プログラムで Tika を呼び出します。

PHP プログラムに JavaBridge.php ファイルを組み込み、Java Bridge を使用して Java オブジェクトを作成します。サンプル コードは次のとおりです。

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

// 新しい Tika オブジェクトを作成します
$ tika = new Java ('org.apache.tika.Tika');

// ドキュメントのコンテンツを解析します
$content = $tika->parseToString(new Java('java.io.File' , '/path /to/document.pdf'));

上記のコードは、解析されたドキュメントのコンテンツを出力します。

JavaBridge.php ファイルをブリッジングに使用する方法は次のとおりです:

1. JavaBridge.jar をダウンロードします。
公式Webサイトのアドレス: http://php-java-bridge.sourceforge.net/pjb/download.html

2. JavaBridge.jarをTika解凍ディレクトリのserver/libディレクトリにコピーします。

3. PHP プログラムで Tika を呼び出します。

PHP プログラムに JavaBridge.php ファイルを組み込み、Java Bridge を使用して Java オブジェクトを作成します。サンプル コードは次のとおりです。

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

// 新しい Tika オブジェクトを作成します
$tika = new Java(' org.apache.tika.Tika');

// ドキュメントのコンテンツを解析します
$content = $tika->parseToString(new Java('java.io.File', '/path/to) /document.pdf '));

上記のコードは、解析されたドキュメントのコンテンツを出力します。

3. ドキュメント処理とコンテンツ分析を実装するにはどうすればよいですか?

1. ドキュメント情報を取得します。

まず、ドキュメントの種類、サイズ、作成日、変更日などのドキュメント情報を取得する必要があります。以下は、ドキュメント タイプを取得するサンプル コードです。

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

以下はドキュメント サイズを取得するサンプル コードです:

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

次は、ドキュメントの作成日と変更日を取得するサンプル コードです:

$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。

以上がPHP と Apache Tika を使用してドキュメント処理とコンテンツ分析を実装する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。