有没有办法在上传文档时执行OCR？Php - 上传文档，docx，pdf - 提取所有内容
我们可以索引整个文档吗？
可以搜索引擎索引整个文件吗？即使用户需要付费查看完整文档？
是否可以将文档显示为预览，只有选定的摘录可见，其余部分模糊且文档格式仍然可见？
我一直试图找到简单的解决方案，使用简单的PHP函数或东西似乎不会像火箭科学来完成这些问题。但在我看来，我看到有人在谈论ApachePOI和Solr Cell以及我不知道的所有这些服务器命令。对于最后一个问题，我只能弄清楚我们可以使用PHPGD并生成带有模糊内容的图像，但如果文档中有格式化的文本，图像和表格等，我不确定如何使其工作。
所以，如果有人有简单的解决方案，或者甚至复杂的解决方案buts with EASY instructions，那么这些都可以。就像“为noobs提取php文件内容”，这将从a-b-c开始。
预先感谢您！
Zend_Search_Lucene包含一些代码来读取docx文件，该文件将在PHP中运行。
对于PDF和doc，您可以使用命令行工具来提取纯文本内容，如catdoc或pdftotext。如果你四处搜索，你可以在那里找到大多数文件格式的这种工具。它们通常由大多数分发包装。
从原始文本格式，您可以将其提供给任何全文搜索引擎。
- 有没有办法在上传文件时执行OCR？
当然，OCR适用于任何图像数据。 OCR组件确实存在，只需使用一个。
- 我们可以索引整个文档吗？
我不能告诉你，如果“我们”可以，但我可以索引文件。您只需要一个文档，一个索引和一个例程来索引文档。
- 可以搜索引擎索引整个文件吗？即使用户需要付费查看完整文档？
这取决于文档格式。如果文档受到保护并且索引器无法完全访问它，则无法将其索引到全部位置。另一方面，如果指数能够规避保护，它可以将其索引，但在某些法律领域可能会有法律问题。从技术上讲，这不应该是一个问题。
- 可以在文档与只有选择摘录可见，其余的模糊与文档仍然可见的格式显示为预览？
为什么不呢？我的意思是，如果你有这样的显示例程这样做，那么交易是什么？
如果您的问题是您不熟悉所使用的技术，我建议您与熟悉的人联系并向您解释。对于某些任务组件应该存在，但是，你需要将它们结合在一起。您的问题涵盖太多，以至于开箱即用解决方案。
多项式正确。你不会在一个地方找到这一切。即使是OCR也需要多个模块才能正常工作，而且这些模块都不会完全免费。如果你想要合理的OCR，那么你将需要使用商业引擎。
您将需要一个Word DOC/DOCX TIFF转换器以及一个PDF转换为TIFF转换器，或者您需要购买类似ABBYY FineReader SDK的东西来执行OCR，这不会便宜，但一定会做得更好Tesseract OCR。
索引和搜索可能是使用ApachePOI和Solr Cell的简单方法，但模糊预览需要一些自定义编码。
该项目将不容易或便宜。
对于Word Doc/Docx to Tiff可以使用http://www.convertapi.com。请注意@Hakre。 – Tomas 2012-01-31 19:55:22
这里有太多可以涵盖一个问题的方法。你应该为每个单独的部分提出一个单独的问题。 – Polynomial 2012-01-28 22:17:58
是否有符合所有需求的标牌解决方案？就像一个简单的comtent提取技术，将完成这一切？除了最后一个课程问题，但这不是主要问题，可以忽略 – salmanhijazi 2012-01-28 22:19:46
不会。你会很幸运找到一个能够同时覆盖多个这样的库的库，特别是因为你问的是多个库文件格式。 – Polynomial 2012-01-28 22:20:15