php抓取图片进行内容提取解析，文字性pdf进行内容文字提取解析

Posted 2020-12-02 Z.X

2018年7月7日18:52:17

 php是用纯算法，自己是提取图片内容不是不行，可以但是优化起来很麻烦还得设计学习库，去矫正数据的正确率

对于大多数项目来说，如果不是做ocr服务，就不必要做需求工具或者接口

一，

先说工具 tesseract-ocr/tesseract 目前没有时间测试，全套东西，学习难度不大，需要的训练数据，支持多国语言

https://github.com/ShuiPingYang/tesseract-ocr-for-php

官方网站 http://tesseract-ocr.repairfaq.org

整一套到实际项目起码的一个月差不多，成熟的还得几个月的线上数据训练，差不多就OK了

 

二，

去购买其他成熟的平台的api，目前测试过的百度的图片识别api，通用文字高精度版，测试过几张稍复杂的图片还不错，返回的不是纯text

返回的是数组，还行，对于不规则的表格，文本后面再说处理方法，

我现在项目的使用的就是这个，官网http://ai.baidu.com/  500/天 是免费的，方便测试

还有一个就是https://ai.qq.com/ 腾讯的 这个注册了但是还没有测试，

当然还有阿里云的，但是也属于没测试过，

都有各种语言的demo包

提取的百度api的demo

 

 

三，

纯算法提取，算了

 

pdf解析内容

目前解析文字性pdf的php,效果还不错，但是解析出来是纯文本，是不规则数据，

https://github.com/smalot/pdfparser  php的库

文字识别率和效率都还不错

项目demo代码

 

 

图片性的pdf更麻烦，还得切成一页的图片然后再去ocr

 

 

说点数据提取的一点点心得

 比如我获取某些网站发布的pdf文件进行部分数据的提取

首先我建议提取的pdf原始文本，进行json吧制表符转换成实体，记住不要把中文不要转码

json_encode( ‘中文‘, JSON_UNESCAPED_UNICODE );

利用制表符，        等作为分隔符，然后就是肉眼看到貌似很规则的pdf格式

其实解析完，你会发现一点都不规则，如果你没处理过，你会使用分割完的数组进行key的偏移进行定位你需要的位置的文本

但是，你不能使用不可穷尽的匹配位置的去获取数据

所以利用一点小方法就可以轻松获取数据，而且也不用写得极其的多的代码去匹配数据位置

方法1：

比如你的pdf文件数据大致的位置都是固定，但是解析出来的文本不规则的，可以进行数据块进行分割成一块一块的，如果你需要某块 的一部分数据，你就直接写稍微多3-4个

方法，去匹配位置就ok了，就不用去全文的匹配位置，麻烦少了很多，原则就是大块文本分小块，分块分次处理，进行全局匹配位置太麻烦，而且全局匹配可能你都没办法对复杂一点的pdf无法处理

方法2：

使用nlp接口去分析文本，百度ai的文本分析说使用只是把各种算法实现了，提供了接口，但是不是提供完整的功能，比如文本块分析

腾讯ai 也提供了。但是最大字符只有1024个字符，所以就直接放弃了，一页文本经常好几千个字，基本无实用性，如果你有小块文本需要提取的可以试试这个接口

方法3：

hadoop，但是貌似也没有直接数据清洗和数据提取的工具，如果你需要进行很多的数据的分析，还是得上这个生态

 

本文还会时不时继续更新