Yii框架不提供PDF文本扫描与提取功能，需依赖Poppler、Tesseract等第三方工具，扫描PDF必须先转图像再OCR，且需严格校验文件、限制大小、设置超时、转义输出并配置中文语言包。
Yii 框架本身不提供 PDF 文本扫描与提取功能，它是一个 PHP Web 应用框架，专注在路由、模型、视图、数据库抽象等层面。PDF 文本提取属于底层文件解析任务，需依赖外部库实现，Yii 只负责协调调用逻辑和安全管控。
PDF文本提取需引入第三方库
常见选择包括：
- Poppler + pdftotext（命令行工具，精度高、支持 OCR 前的纯文本层提取）
- tcpdf 或 FPDI（适合读取结构化 PDF，但对扫描版（图像型）PDF 无效）
- OCR 引擎如 Tesseract（必须配合图像转换步骤，用于识别扫描 PDF 中的图片文字）
- PHP 扩展如 SetaPDF 或 PDFLib（商业授权，支持解密、文本定位、多语言提取）
Yii 中通常通过 exec()、shell_exec() 或封装好的组件（如 yii2-pdf-tools）调用这些工具，而非内置能力。
扫描 PDF 的本质限制
扫描 PDF 是以图像形式嵌入页面的文件，没有可检索的文本对象。直接使用 pdftotext 等工具会返回空或乱码，必须先执行 OCR 步骤：
- 将每页 PDF 转为高 DPI PNG/JPEG（推荐 300dpi，
convert -density 300 xxx.pdf page-%d.png） - 对图像逐页调用 Tesseract（如
tesseract page-0.png stdout -l chi_sim+eng） - 合并各页 OCR 结果，并清洗换行、分栏、页眉页脚等噪声
该流程耗时长、资源占用高，不适合高频或大文件实时处理，建议异步队列（如 Yii 的 yii\queue）承载。
Yii 中的安全与性能控制要点
用户上传 PDF 后，不可直接传给系统命令，须严格校验：
- 文件后缀与 MIME 类型双重验证（
application/pdf），拒绝.pdf.php类伪装 - 限制上传大小（如 ≤20MB），超限直接拒收，避免 DOS 攻击或磁盘写满
- PDF 解析过程设置超时（如
exec("timeout 60 tesseract ...", $out, $code)） - OCR 输出结果需 HTML 特殊字符转义（
Html::encode()），防止 XSS
中文识别需额外配置
Tesseract 默认不支持中文，必须：
- 安装对应语言包（如
tesseract-ocr-chi-sim或tessdata中的chi_sim.traineddata） - 确认 traineddata 文件路径被正确加载（
-c tessedit_datapath=/usr/share/tesseract-ocr/4.00/tessdata） - 测试简体中文识别效果，复杂字体（如手写体、印章遮挡、低对比度）识别率显著下降
建议上线前用典型业务 PDF 样本做端到端识别准确率基线测试（如抽取发票关键字段，准确率低于 92% 需优化预处理）。
