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

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

/*
     * 百度OCR
     * $data 传进来是图片的二进制数据
     * $type = 1 通用文字识别 50000次/天免费
     * $type = 2 通用文字识别（高精度）500次/天免费
     * $type = 3 网络图片文字识别 500次/天免费
     * $type = 4 身份证识别 500次/天免费
     * $type = 5 银行卡识别 500次/天免费
     *
     * 说明 通用文字识别（高精度）识别度可以建议使用这个
     */

    public static function baidu_ai($image = '', $type = 2) {
        if (empty($image)) {
            throw new \Exception('图片二进制数据不能为空');
        }

        $AppID = '';
        $API_Key = '';
        $Secret_Key = '';

        if ($type == 1) {
//            通用文字识别
            $url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic';
        } elseif ($type == 2) {
            //通用文字识别（高精度版
            $url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic';
        } elseif ($type == 3) {
            //网络图片文字识别
            $url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/webimage';
        } elseif ($type == 4) {
            //身份证识别
            $url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/idcard';
        } elseif ($type == 5) {
            //银行卡识别
            $url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/bankcard';
        } else {
            throw new \Exception('$type 类型错误');
        }
        //获取token 有效时长30天，存redis
        $baidu_key = 'BAIDU_TOKET';
        if (Redis::ttl($baidu_key) < 360) {
            $data['grant_type'] = 'client_credentials';
            $data['client_id'] = $API_Key;
            $data['client_secret'] = $Secret_Key;
            $access_token_url = 'https://aip.baidubce.com/oauth/2.0/token';
            $result = self::post($access_token_url, $data);
            if ($result['code'] != 200) {
                throw new \Exception('授权出错');
            }

            Redis::set($baidu_key, $result['content']);
            Redis::expire($baidu_key, 29 * 24 * 3600);
        }
        $baidu_token = Redis::get($baidu_key);
        $baidu_token = json_decode($baidu_token, true);

        $access_token = $baidu_token['access_token'];

        $request_data['image'] = base64_encode($image);
        $request_url = $url . "?access_token={$access_token}&aipSdk=php&aipSdkVersion=2_2_2";
        $data_result = self::post($request_url, $request_data);
        if ($data_result['code'] != 200) {
            throw new \Exception('接口请求出错');
        }
        return $data_result['content'];
    }

    public static function post($url = '', $data = [], $headers = []) {
        if (empty($url) || empty($data)) {
            throw new \Exception('请求URL和数据都不能为空');
        }
        $ch = curl_init();
        curl_setopt($ch, CURLOPT_URL, $url);
        curl_setopt($ch, CURLOPT_POST, 1);
        curl_setopt($ch, CURLOPT_HEADER, false);
        curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
        curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);
        curl_setopt($ch, CURLOPT_HTTPHEADER, $headers);
        curl_setopt($ch, CURLOPT_POSTFIELDS, is_array($data) ? http_build_query($data) : $data);
        curl_setopt($ch, CURLOPT_TIMEOUT_MS, 60000);
        curl_setopt($ch, CURLOPT_CONNECTTIMEOUT_MS, 60000);
        $content = curl_exec($ch);
        $code = curl_getinfo($ch, CURLINFO_HTTP_CODE);

        if ($code === 0) {
            throw new \Exception(curl_error($ch));
        }

        curl_close($ch);
        return array(
            'code' => $code,
            'content' => $content,
        );
    }

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

composer require smalot/pdfparser

use Smalot\PdfParser\Parser;

public static function parsing_pdf() {
 $parser = new Parser();
        $pdf = $parser->parseFile('http://www.yafco.com.hk/asp_bin/newimg/1523872385.pdf');
//        pp($pdf);
        $text = $pdf->getText();
        $result = json_encode($text, JSON_UNESCAPED_UNICODE);
}

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，\t\n   \t   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