Poppler 是 C++ 生产环境解析 PDF 文本最可靠的选择之一，但需源码编译启用 Cairo 后端、正确链接依赖库，并用 textList() 提取带坐标的文本块；中文乱码常因 CID 字体缺 ToUnicode 映射或 fontconfig 未配置中文字体。
Poppler 是目前 C++ 生产环境中解析 PDF 文本最可靠的选择之一，但直接集成容易卡在编译、链接或字体回退环节——它不自带字体渲染逻辑，也不自动处理 CID 字体或内嵌子集字形，文本提取失败往往不是代码写错了，而是底层依赖没对齐。
如何正确编译并链接 Poppler（Ubuntu/Debian 环境）
系统包管理器安装的 libpoppler-cpp-dev 通常版本偏低（如 0.86），缺少 Poppler::Page::textList() 等新接口，且默认不启用 cairo 后端，导致中文等复杂文本返回空字符串。
- 必须从源码构建：克隆
poppler官方仓库，启用-DENABLE_CAIRO=ON -DENABLE_CPP=ON -DENABLE_QT5=OFF -DENABLE_UTILS=OFF - 依赖提前装全：
libcairo2-dev libfontconfig1-dev libfreetype6-dev libjpeg-dev libpng-dev libtiff-dev，缺任意一个都可能让Page::getTextLayout()返回nullptr - 链接时顺序不能错：你的目标必须先链接
-lpoppler-cpp -lpoppler-cairo -lcairo -lfreetype -lfontconfig，否则undefined reference to 'poppler::page::text_list()'
用 Page::textList() 提取带坐标的文本块（而非简单 text()）
Page::text() 只返回纯字符串，丢弃所有位置、字体、方向信息，遇到多栏、表格或旋转文本基本不可用；Page::textList() 返回 std::vector<:unique_ptr>>，才是进阶解析的基础。
-
TextBox包含bounds()（Rectangle类型）、text()（UTF-8 字符串）、isBold()/isItalic()等样式标记 - 注意：
textList()默认只返回“可选中文本”，若 PDF 使用图片 OCR 或路径描边模拟文字，需先调用Page::renderToCairo()+ OCR 后处理 - 中文乱码常见原因：PDF 内嵌字体未被 fontconfig 正确映射，此时
TextBox::text()可能是空或问号，需检查fc-list :lang=zh是否有可用中文字体
处理 CID 字体与 ToUnicode CMap 缺失问题
大量中文 PDF 使用 CID 字体（如 Adobe-GB1），若 PDF 没嵌入 ToUnicode 映射表，Poppler 无法将 CID 码转为 Unicode，TextBox::text() 就会是空或乱码——这不是你代码的问题，是原始 PDF 的缺陷。
- 用
pdfinfo -meta input.pdf查看是否含Tagged PDF: no和Form: none，这类 PDF 更大概率缺失 CMap - 临时缓解：设置环境变量
POPPLER_DATA_DIR=/usr/share/poppler（确保含cidToUnicode文件），但对自定义 CID 编码无效 - 硬解方案：用
Page::getFontInfo()获取字体名和编码方式，再配合poppler-data中的Adobe-GB1-UCS2表手工查表，但需处理字形子集偏移
真正难的从来不是调用哪个函数，而是当 textList() 返回 0 个 TextBox 时，得快速判断是 PDF 本身无文本层、字体映射失败、还是 Cairo 渲染上下文没初始化——这些边界情况不会报错，只会静默失效。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
