我需要从上传的文档中提取纯文本，以便对其进行搜索。文档可以是MS Word或pdf（扫描或包含文本）。有问题的应用程序在LAMP堆栈上运行，但安装其他软件可能是一种选择。是否有任何工具，服务，库或您可以推荐的组合来完成此任务？
答案 0 :(得分：4)
您可以将pdftotext等shell实用程序用于PDF，wvWare用于DOC，docx2txt.pl用于DOCX，就像textractor rubygem一样。
# on Ubuntu
apt-get install wv xpdf-utils links
另一个rubygem，即使是Tesseract，它甚至为你做OCR，也是docsplit。
考虑Solr进行索引和搜索可能是个好主意。您可以使用Solr Cell插件来索引和搜索Word文档，PDF等。我在其中一个项目中成功使用它。 Solr Cell基于Apache POI，Tika和PDFBox等多个项目。
棘手的部分是设置所有依赖于细胞的jar和solr模式，并找出索引请求参数，但所有这些都可以从wiki文档中找到。 Here's我的jar和架构让你开始，架构的相关部分是包含“附件”的行。
但是，Solr Cell不会进行OCR。您必须首先使用OCR引擎才能使它们可搜索。
对于OCR，您可以使用由Google开发的OpenSource Engine Tesseract，或者您可能希望查看商业引擎Abbyy。两者都是命令行工具，您可以从您的PHP脚本运行。要从Tesbyract获得与Abbyy相当的结果，您必须进行一些预处理和后处理1。还有云服务，这可能是一个更容易的选择。例如，Wisetrend和Abbyy Cloud。后者目前处于测试阶段，因此它是免费的，并且已经准备就绪PHP code samples。
答案 1 :(得分：3)
就我而言，你在PHP上用OCR做的事情并不多。最好的解决方案是使用云服务 - 一种web api，可让您上传图像并向您发回OCR数据。试试www.ocrsdk.com，它是ABBYY最近推出的基于云的OCR SDK。它现在处于测试阶段，所以它完全免费使用，并且已经准备就绪PHP code samples。免责声明：我工作@ ABBYY
答案 2 :(得分：0)
我不知道任何将PDF转换为文本的软件，但对于MS Word部分，您可以使用JAVA中构建的Apache POI：http://poi.apache.org/，因此您必须执行二进制文件你的PHP文件使它工作。
另一种选择是使用JODConverter（我目前正在使用它）http://code.google.com/p/jodconverter/ 因此，如果Apache POI不起作用，我知道jodconverter会这样做。我正在使用3.0测试版。
在我的PHP代码中，我正在保存上传文件并在tmp目录中的文件上执行转换器二进制文件，这将在tmp目录中创建一个新文件，并从新文件中提取纯文本。 / p>