yii框架需借助第三方库（如smalot/pdfparser）提取pdf文本，再用正则清理空白；扫描版pdf需ocr，加密pdf需密码，亦可调用pdftotext提升准确率。
Yii框架本身不直接提供PDF文本提取功能，需借助第三方PHP库（如 smalot/pdfparser 或 setasign/fpdi + tcpdf）来解析PDF内容。获取文本后，去除多余空格（包括换行、制表、连续空格等），可用PHP原生函数处理。
使用 smalot/pdfparser 提取并清理文本
该库轻量、兼容性好，适合纯文本提取场景：
- 通过 Composer 安装：
composer require smalot/pdfparser - 在 Yii 控制器或服务类中使用：
// 假设 $pdfPath 是 PDF 文件绝对路径
use Smalot\PdfParser\Parser;
$parser = new Parser();
$pdf = $parser->parseFile($pdfPath);
$text = $pdf->getText(); // 获取原始文本（含换行/空格）
// 去除首尾空白，合并连续空白符为单个空格，并 trim
$cleanText = preg_replace('/\s+/', ' ', trim($text));
// 若需完全去除所有空白（包括单词间空格），用：
// $cleanText = str_replace([' ', "\t", "\n", "\r", "\0", "\x0B"], '', $text);
echo $cleanText;
在 Yii2 中封装为可复用方法
推荐将逻辑抽离为独立工具类（如 app\components\PdfTextExtractor）：
- 自动处理文件不存在、解析失败等异常
- 支持传入选项：是否保留段落换行、是否压缩空格、是否转小写等
- 返回标准化字符串，便于后续搜索或存入数据库
注意 PDF 内容限制
不是所有PDF都能提取文本：
- 扫描版PDF（图片型）无文字层，
pdfparser返回空字符串 —— 需结合 OCR（如 Tesseract） - 加密PDF需先解密（库支持密码参数，但需知道密码）
- 部分字体嵌入不全可能导致乱码，建议解析后做简单编码检查（如 mb_detect_encoding）
替代方案：调用命令行工具 pdftotext（Linux/macOS）
若服务器环境允许，pdftotext（Poppler 工具集）准确率更高：
- 安装：
sudo apt install poppler-utils（Ubuntu） - Yii 中执行：
$pdfPath = '/path/to/file.pdf';
$txtPath = sys_get_temp_dir() . '/temp_' . uniqid() . '.txt';
exec("pdftotext -enc UTF-8 '{$pdfPath}' '{$txtPath}' 2>/dev/null");
$rawText = file_exists($txtPath) ? file_get_contents($txtPath) : '';
$cleanText = preg_replace('/\s+/', ' ', trim($rawText));
@unlink($txtPath); // 清理临时文件
