PHP實現識別復雜pdf文檔的示例代碼

更新時間：2024年01月28日 10:44:28 作者：青天紫魂

這篇文章主要為大家詳細介紹了如何使用PHP實現識別復雜pdf文檔的功能,文中的示例代碼講解詳細,感興趣的徐海波可以跟隨小編一起學習一下

PHP識別復雜pdf文檔

使用阿里云的pdf文檔識別

阿里云視覺智能平臺開通文字識別-PDF識別

/**
     * 使用AK&SK初始化賬號Client
     * @param string $accessKeyId
     * @param string $accessKeySecret
     * @return Ocrapi Client
     */
    public function createClient($accessKeyId, $accessKeySecret){
        $config = new Config([
            // 必填，您的 AccessKey ID
            "accessKeyId" => 'AccessKey ID',
            // 必填，您的 AccessKey Secret
            "accessKeySecret" => 'AccessKey Secret'
        ]);
        // Endpoint 請參考 https://api.aliyun.com/product/ocr
        $config->endpoint = "ocr.cn-shanghai.aliyuncs.com";
        $model = new Ocr($config);
        return $model;
    }
    /**
     * @param string[] $args
     * @return void
     * 阿里云一次智能識別5頁pdf，所以需要對原文件進行拆分，分別取請求
     */
    public function getContent($param){
        set_time_limit(0);
        $inputPdf = $param['url'];
        // 計算需要拆分成多少個PDF文件
        $totalPages = intval(shell_exec("pdftk $inputPdf dump_data | grep NumberOfPages | awk '{print $2}'"));
        $numFiles = intval(ceil($totalPages / 5));
        $domain = request()->domain();
        $param['is_delete'] = $param['is_delete'] ?? 0;
        // 請確保代碼運行環(huán)境設置了環(huán)境變量 ALIBABA_CLOUD_ACCESS_KEY_ID 和 ALIBABA_CLOUD_ACCESS_KEY_SECRET。
        // 工程代碼泄露可能會導致 AccessKey 泄露，并威脅賬號下所有資源的安全性。以下代碼示例使用環(huán)境變量獲取 AccessKey 的方式進行調用，僅供參考，建議使用更安全的 STS 方式，更多鑒權訪問方式請參見：https://help.aliyun.com/document_detail/311677.html
        $client = self::createClient(getenv("ALIBABA_CLOUD_ACCESS_KEY_ID"), getenv('ALIBABA_CLOUD_ACCESS_KEY_SECRET'));
        $runtime = new RuntimeOptions([]);
        try {
            // 使用循環(huán)拆分PDF并保存為單獨的文件
            $str = '';
            for ($i=0; $i<$numFiles; $i++) {
                $startPage = ($i * 5) + 1;
                $endPage = min(($startPage + 4), intval($totalPages));
                //執(zhí)行拆分
                exec("pdftk A=$inputPdf cat A$startPage-$endPage output {$param['path']}_{$i}.pdf",$output, $returnVar);
                $del_url = $param['path'].'_'.$i.'.pdf';
                //執(zhí)行pdf識別
                $recognizePdfRequest = new RecognizePdfRequest([
                    "fileURL" => $domain.'/'.$del_url
                ]);
                // 復制代碼運行請自行打印 API 的返回值
                $result = $client->recognizePdfWithOptions($recognizePdfRequest, $runtime);
                $content = $result->body->data->wordsInfo;
                //拼接識別內容
                foreach ($content as &$vv){
                    $word = get_object_vars($vv);
                    if(substr($word['word'],0,1) == '>' || substr($word['word'],0,1) == '<'){
                        $word['word'] = substr($word['word'],1);
                    }
                    $str .= $word['word']."\n ";
                }
            }
            $data['code'] = 200;
            $data['content'] = $str;
        }
        catch (Exception $error) {
            if (!($error instanceof TeaError)) {
                $error = new TeaError([], $error->getMessage(), $error->getCode(), $error);
            }
            $data['code'] = 400;
            $data['content'] = $error->message;
            //unset($del_url);
            // 錯誤 message
//            var_dump($error->message);
//            // 診斷地址
//            var_dump($error->data["Recommend"]);
//            Utils::assertAsString($error->message);
        }
        //識別成功刪除原文件
        if($param['is_delete']){
            unlink($param['url']);
        }
        //刪除生成的文件
        for ($i=0; $i<$numFiles; $i++) {
            $del_url = $param['path'].'_'.$i.'.pdf';
            if (file_exists($del_url)) {
                unlink($del_url);
            }
        }
        return $data;
    }

方法補充

除了上文的方法，小編還為大家整理了PHP識別普通PDF文件的相關方法，希望對大家有所幫助

1. 安裝依賴庫

在使用PHP處理PDF文件之前，我們需要先安裝一些依賴庫。對于本教程，我們將使用兩個主要的庫：smalot/pdfparser和setasign/Fpdi。

首先，通過Composer安裝這兩個庫：

composer require setasign/fpdi
composer require smalot/pdfparser

2. 讀取PDF文件

接下來，我們將展示如何使用smalot/pdfparser庫來讀取PDF文件的內容。

<?php
require 'vendor/autoload.php';

use Smalot\PdfParser\Parser;

$parser = new Parser();
$pdf = $parser->parseFile('path_to_your_pdf_file.pdf');

foreach ($pdf->getPages() as $page) {
    echo $page['text']."\n";
}
?>

在上述代碼中，我們首先創(chuàng)建了一個Parser對象，然后使用parseFile方法讀取了PDF文件。最后，我們遍歷了PDF文件的每一頁，并打印出了每一頁的文本內容。

3. 編輯PDF文件

除了讀取PDF文件的內容，我們還可以使用setasign/Fpdi庫來編輯PDF文件。以下是一個簡單的示例，展示了如何添加一個新的頁面到PDF文件中：

<?php
require 'vendor/autoload.php';

use Setasign\Fpdi\Fpdi;

$fpdi = new Fpdi();
$fpdi->AddPage();
$fpdi->SetFont('Arial', '', 12);
$fpdi->Cell(40, 10, 'Hello World!', 1, 0, 'C');
$fpdi->Output('path_to_output_pdf_file.pdf', 'I');
?>

在上述代碼中，我們首先創(chuàng)建了一個Fpdi對象，然后添加了一個新的頁面。接著，我們設置了字體和字號，并添加了一些文本內容。最后，我們使用Output方法將PDF文件輸出到了指定的路徑。

4. 轉換PDF文件

除了編輯PDF文件，我們還可以使用setasign/Fpdi庫來轉換PDF文件。以下是一個簡單的示例，展示了如何將PDF文件轉換為圖片：

<?php
require 'vendor/autoload.php';

use Setasign\Fpdi\Fpdi;

$fpdi = new Fpdi();
$fpdi->AddPage();
$fpdi->SetSourceFile('path_to_input_pdf_file.pdf');
$fpdi->SetTargetFile('path_to_output_image_file.png');
$fpdi->ExportImage();
?>

在上述代碼中，我們首先創(chuàng)建了一個Fpdi對象，然后添加了一個新的頁面。接著，我們設置了輸入和輸出的文件路徑，并使用ExportImage方法將PDF文件轉換為圖片。

到此這篇關于PHP實現識別復雜pdf文檔的示例代碼的文章就介紹到這了,更多相關PHP識別pdf內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: