有沒有辦法在上傳文檔時執行OCR？Php - 上傳文檔，docx，pdf - 提取所有內容
我們可以索引整個文檔嗎？
可以搜索引擎索引整個文件嗎？即使用戶需要付費查看完整文檔？
是否可以將文檔顯示爲預覽，只有選定的摘錄可見，其餘部分模糊且文檔格式仍然可見？
我一直試圖找到簡單的解決方案，使用簡單的PHP函數或東西似乎不會像火箭科學來完成這些問題。但在我看來，我看到有人在談論ApachePOI和Solr Cell以及我不知道的所有這些服務器命令。對於最後一個問題，我只能弄清楚我們可以使用PHPGD並生成帶有模糊內容的圖像，但如果文檔中有格式化的文本，圖像和表格等，我不確定如何使其工作。
所以，如果有人有簡單的解決方案，或者甚至複雜的解決方案buts with EASY instructions，那麼這些都可以。就像「爲noobs提取php文件內容」，這將從a-b-c開始。
預先感謝您！
Zend_Search_Lucene包含一些代碼來讀取docx文件，該文件將在PHP中運行。
對於PDF和doc，您可以使用命令行工具來提取純文本內容，如catdoc或pdftotext。如果你四處搜索，你可以在那裏找到大多數文件格式的這種工具。它們通常由大多數分發包裝。
從原始文本格式，您可以將其提供給任何全文搜索引擎。
- 有沒有辦法在上傳文件時執行OCR？
當然，OCR適用於任何圖像數據。 OCR組件確實存在，只需使用一個。
- 我們可以索引整個文檔嗎？
我不能告訴你，如果「我們」可以，但我可以索引文件。您只需要一個文檔，一個索引和一個例程來索引文檔。
- 可以搜索引擎索引整個文件嗎？即使用戶需要付費查看完整文檔？
這取決於文檔格式。如果文檔受到保護並且索引器無法完全訪問它，則無法將其索引到全部位置。另一方面，如果指數能夠規避保護，它可以將其索引，但在某些法律領域可能會有法律問題。從技術上講，這不應該是一個問題。
- 可以在文檔與只有選擇摘錄可見，其餘的模糊與文檔仍然可見的格式顯示爲預覽？
爲什麼不呢？我的意思是，如果你有這樣的顯示例程這樣做，那麼交易是什麼？
如果您的問題是您不熟悉所使用的技術，我建議您與熟悉的人聯繫並向您解釋。對於某些任務組件應該存在，但是，你需要將它們結合在一起。您的問題涵蓋太多，以至於開箱即用解決方案。
多項式正確。你不會在一個地方找到這一切。即使是OCR也需要多個模塊才能正常工作，而且這些模塊都不會完全免費。如果你想要合理的OCR，那麼你將需要使用商業引擎。
您將需要一個Word DOC/DOCX TIFF轉換器以及一個PDF轉換爲TIFF轉換器，或者您需要購買類似ABBYY FineReader SDK的東西來執行OCR，這不會便宜，但一定會做得更好Tesseract OCR。
索引和搜索可能是使用ApachePOI和Solr Cell的簡單方法，但模糊預覽需要一些自定義編碼。
該項目將不容易或便宜。
對於Word Doc/Docx to Tiff可以使用http://www.convertapi.com。請注意@Hakre。 – Tomas 2012-01-31 19:55:22
這裏有太多可以涵蓋一個問題的方法。你應該爲每個單獨的部分提出一個單獨的問題。 – Polynomial 2012-01-28 22:17:58
是否有符合所有需求的標牌解決方案？就像一個簡單的comtent提取技術，將完成這一切？除了最後一個課程問題，但這不是主要問題，可以忽略 – salmanhijazi 2012-01-28 22:19:46
不會。你會很幸運找到一個能夠同時覆蓋多個這樣的庫的庫，特別是因爲你問的是多個庫文件格式。 – Polynomial 2012-01-28 22:20:15