c++标准库无法解析pdf，因其是含压缩流、交叉引用表等的复杂二进制格式，非纯文本；直接用fstream+正则会得到乱码或空字符串；必须借助poppler-cpp等专用库实现可靠解析。
PDF文本解析为什么不能直接用标准C++库
C++标准库不提供PDF解析能力，因为PDF是复杂二进制格式（含压缩流、交叉引用表、对象间接引用等），不是纯文本文件。试图用fstream读取后正则匹配，大概率拿到乱码或空字符串——PDF里文字常被拆成多个操作符（Tj、TJ）、嵌在资源字典中，还可能经过FlateDecode压缩。
推荐方案：用poppler-cpp而不是自己解析
Poppler是成熟开源PDF渲染/解析引擎（Linux发行版默认预装，macOS可通过brew install poppler安装），其C++绑定poppler-cpp提供稳定API。比libpdfium更易编译，比PDFium的C++ API更轻量。
常见错误：poppler-cpp头文件路径容易配错（Ubuntu上是poppler/cpp/poppler-document.h，macOS可能是poppler/cpp/poppler-document.h但依赖pkg-config）；链接时漏掉-lpoppler-cpp会报undefined reference to 'poppler::document::load_from_file'。
最小可行代码片段：
#include <poppler>
#include <poppler>
#include <iostream>
int main() {
auto doc = poppler::document::load_from_file("sample.pdf");
if (!doc) {
std::cerr pages(); ++i) {
auto page = doc->create_page(i);
if (page) {
std::cout text()
<h3>中文乱码怎么办：字体与编码必须匹配</h3>
<p>PDF里中文常使用CID字体（如<code>/STSong-Light</code>），<code>poppler-cpp</code>默认尝试用Unicode映射，但若PDF未内嵌ToUnicode表或使用自定义编码，<code>page->text()</code>会输出方块或问号。</p>
<ul>
<li>确认PDF是否含内嵌字体：用<code>pdfinfo -f sample.pdf</code>看是否提示<code>Fonts: ... embedded</code>
</li>
<li>强制启用字体回退：编译时加<code>-DPOPPLER_FONTCONFIG=ON</code>，运行时确保系统有对应中文字体（如Noto Sans CJK）</li>
<li>临时绕过：改用<code>page->text_layout()</code>获取带坐标的文本块，再按区域拼接（对排版敏感场景更可靠）</li>
</ul>
<h3>性能瓶颈在哪：内存占用和单页解析耗时</h3>
<p>加载大PDF（>100MB）时，<code>poppler::document::load_from_file()</code>会把整个文件解压到内存，易触发OOM。实际项目中应避免一次性加载全部页面。</p>
<p>优化建议：</p>
<ul>
<li>用<code>doc->create_page(i)</code>按需加载单页，用完立即释放<code>page</code>智能指针</li>
<li>禁用渲染相关功能：构造<code>poppler::page_renderer</code>会额外加载图像解码器，纯文本提取无需它</li>
<li>并发限制：Poppler非线程安全，多线程解析需为每个线程创建独立<code>document</code>实例</li>
</ul>
<p>真正麻烦的是扫描件PDF——里面根本没有文本层，这时候<code>page->text()</code>永远返回空，得先调OCR，那已经是另一个工具链了。</p></iostream></poppler></poppler>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！
