yii框架无内置pdf文本提取功能，需用smalot/pdfparser封装为可配置组件，支持中文但不处理扫描版pdf；推荐方案是创建pdftextextractor类并注册为应用组件，避免直接new实例或误用生成类库。
Yii 框架本身不提供 PDF 文本提取功能，它没有内置的 PDF 解析器。要从 PDF 文件中提取文本内容，需借助第三方 PHP 库（如 smalot/pdfparser、setasign/fpdi 配合 tcpdf、或 spipu/html2pdf 的反向解析能力），再将其封装为 Yii 组件使用。
你真正需要的，是一个可复用、可配置、能注入到 Yii 应用生命周期中的 PDF 文本提取服务，而不是“Yii 自带组件”。
✅ 推荐方案：用 smalot/pdfparser 封装为 Yii2 组件
这是目前最轻量、稳定、支持中文（需 PDF 内含可选中文编码）且无需外部二进制依赖的纯 PHP 解决方案。
安装依赖
composer require smalot/pdfparser
创建 PDF 提取组件（@app/components/PdfTextExtractor.php）
<?php namespace app\components;
use Smalot\PdfParser\Parser;
class PdfTextExtractor
{
public function extract($filePath): string
{
if (!is_file($filePath) || !is_readable($filePath)) {
throw new \InvalidArgumentException("PDF file not found or unreadable: $filePath");
}
try {
$parser = new Parser();
$pdf = $parser->parseFile($filePath);
return trim($pdf->getText()); // 返回纯文本，已自动合并多页
} catch (\Exception $e) {
throw new \RuntimeException("Failed to parse PDF text: " . $e->getMessage(), 0, $e);
}
}
}
在配置中注册为应用组件（config/web.php）
'components' => [
'pdfExtractor' => [
'class' => 'app\components\PdfTextExtractor',
],
// …其他组件
],
在控制器或服务中调用
$text = Yii::$app->pdfExtractor->extract('@webroot/uploads/invoice.pdf');
echo mb_substr($text, 0, 200) . '...'; // 示例：截取前200字
⚠️ 注意：该库无法识别扫描版 PDF（图片型）。若 PDF 是 OCR 后的图像文档，需先用
tesseract-ocr+imagick预处理，或改用mupdf/poppler-utils命令行工具（需服务器支持）。
❌ 不推荐的“伪组件”方式
- 直接在控制器里
new Parser()调用：破坏可测试性与复用性，不满足 Yii 组件设计初衷； - 试图用
yii2-export或mpdf反向提取文本：它们是生成 PDF 的库，不具备解析能力； - 依赖
fpdi：它只负责导入已有 PDF 页面，不提供文本抽取接口。
? 中文 PDF 提取常见问题
| 现象 | 原因 | 解法 |
|---|---|---|
| 提取为空或乱码 | PDF 使用 CID 字体但未嵌入 ToUnicode 表 | 尝试用 Adobe Acrobat “另存为文本”验证是否真可读；优先选用已 OCR 处理过的 PDF |
报 Invalid PDF header
|
文件损坏或实际是 ZIP/加密文件 | 先用 file $path 或 head -c 10 $path 检查魔数（应为 %PDF-） |
| 内存溢出（大 PDF） |
smalot/pdfparser 会加载整份结构到内存 |
对超 50MB 文件加 try/catch + ini_set('memory_limit', '512M')，或改用流式解析库（如 setasign/fpdi-fpdf 配合自定义解析逻辑） |
? 进阶建议：对接 OCR 流程（可选）
当必须处理扫描件时，可扩展组件：
- 判断 PDF 是否含文字层（用
$pdf->getDetails()['Pages']看是否有/Contents）； - 若无，则调用
shell_exec('pdftoppm -f 1 -l 1 -png ' . escapeshellarg($filePath) . ' /tmp/page')截图第一页； - 再用
tesseract /tmp/page-1.png stdout -l chi_sim提取中文（需提前安装tesseract-ocr-chi-sim）。
该逻辑可封装进 PdfTextExtractor::extractWithOcr() 方法，按需启用。
不复杂但容易忽略：PDF 文本提取不是“开箱即用”的功能，关键在选对底层库 + 封装成 Yii 组件 + 明确处理边界（空页、扫描件、内存、编码）。
