yii需借助外部库提取pdf文本：纯文本pdf用fpdi+pdfparser组合；扫描版pdf须先用imagick转png再调tesseract ocr，注意编码转换、空白符处理及敏感数据安全。
Yii本身不提供PDF文本提取能力，必须借助外部库。核心思路是：先用PHP PDF解析库读取PDF内容，再把原始文字抽出来，最后在Yii控制器或服务中调用处理。
用tcpdf或fpdi+pdfparser组合提取纯文本
这两个库轻量、无依赖、适合嵌入Yii项目。fpdi负责加载PDF，pdfparser专注解析结构，能准确分离文字流、跳过图像和矢量图形。
- 安装命令：
composer require setasign/fpdi pdfparser/pdfparser - 在控制器中写提取逻辑：先用
Fpdi打开文件，再用PdfParser的getText()方法获取全部可读文字 - 注意：加密PDF需提前解密；扫描版PDF（图片型）无法提取，必须先OCR
处理扫描件PDF需引入OCR环节
如果PDF是拍照或扫描生成的图片，纯解析库无效，必须走OCR路径。推荐用Tesseract + imagick组合：
- 先用
Imagick将PDF每页转为高DPI PNG（如300dpi），避免文字锯齿 - 再调用
tesseract-ocr识别单张图，输出纯文本 - Yii中可通过
exec()或proc_open()调用系统命令，不建议用PHP原生OCR扩展（精度低、维护差） - 关键参数示例：
tesseract page_1.png stdout -l chi_sim+eng --psm 6，其中chi_sim支持简体中文
避免常见陷阱的实操要点
很多开发者卡在编码乱码或空结果上，问题多出在底层处理细节：
- PDF内文字可能用自定义编码（如CID字体），需强制指定UTF-8转换，
mb_convert_encoding($text, 'UTF-8', 'auto')不能省 - 提取后段落换行符混乱？用正则
preg_replace('/\s+/', ' ', $text)统一空白符，再trim() - 不想装系统级OCR？可用在线API兜底（如百度OCR、腾讯云OCR），但要注意敏感数据不出网
- Yii模型里封装该功能时，建议把PDF路径或二进制内容作为参数传入服务类，不要在模型里直接执行exec
不复杂但容易忽略。
