Come estrarre il testo da un documento PDF con PHP

  • PHP
  • Gabriele Romanato

Estrarre il testo da un documento PDF può essere utile in molte applicazioni web, ad esempio per la ricerca di contenuti, l'indicizzazione di documenti, o l'analisi di informazioni strutturate. In PHP, esistono diversi modi per realizzare questa funzionalità. In questo articolo esploreremo una soluzione che utilizza una libreria open source molto popolare: PDFParser.

PDFParser è una libreria sviluppata appositamente per estrarre testo e metadati dai file PDF. Per installarla, apri il terminale nella directory del tuo progetto e esegui il comando:


composer require smalot/pdfparser

Questo comando scaricherà e installerà la libreria insieme a tutte le sue dipendenze.

Dopo aver installato la libreria, possiamo procedere con la scrittura del codice PHP. Iniziamo con il caricamento del PDF e l'estrazione del testo.


// Carica il file autoload di Composer per includere le dipendenze
require 'vendor/autoload.php';

// Usa la libreria PDFParser
use Smalot\PdfParser\Parser;

try {
    // Crea un'istanza del parser
    $parser = new Parser();

    // Carica il documento PDF
    $pdf = $parser->parseFile('path/to/document.pdf');

    // Estrai il testo dal PDF
    $text = $pdf->getText();

    // Visualizza il testo estratto
    echo nl2br($text);

} catch (Exception $e) {
    // Gestisce gli errori
    echo 'Errore durante l\'estrazione del testo: ' . $e->getMessage();
}

Spiegazione del codice:

  1. Inclusione di Composer: Il file autoload.php carica automaticamente tutte le classi necessarie, inclusa quella del PDFParser.
  2. Creazione dell'istanza Parser: Il parser è l'oggetto che si occuperà di elaborare il PDF.
  3. Caricamento del PDF: Il metodo parseFile() viene usato per caricare il PDF specificato dal percorso.
  4. Estrazione del testo: Il metodo getText() restituisce il testo del PDF, che viene poi stampato a schermo.
  5. Gestione degli errori: Qualsiasi problema nel caricamento del PDF o nell'estrazione del testo viene gestito con un blocco try-catch, che cattura l'eccezione e stampa un messaggio di errore.

Conclusione

Estrarre il testo da un file PDF in PHP è un compito semplice grazie all'uso di librerie come PDFParser. Questa libreria fornisce un'interfaccia facile da usare per gestire l'estrazione di testo e metadati. Tuttavia, in casi complessi, potresti dover esplorare altre soluzioni più avanzate. Con queste basi, sei pronto per integrare la funzionalità di estrazione del testo PDF nella tua applicazione PHP.

Torna su