yii框架需借助smalot/pdfparser等外部库提取pdf文本，再用preg_replace('/[\r\n\t]+/', ' ', $text)等正则去除换行符并清洗空白，注意扫描件需ocr、大文件调内存、编码乱码等问题。
使用 Yii 框架本身并不直接提供 PDF 文本提取功能，它依赖外部库（如 smalot/pdfparser 或 setasign/fpdi + tcpdf）来解析 PDF。要去除提取出的文本中的换行符（包括回车、换行、制表符等），关键在于：先正确提取原始文本，再用 PHP 字符串处理函数清洗。
1. 安装 PDF 解析库（推荐 smalot/pdfparser）
在 Yii2 项目中，通过 Composer 安装轻量且兼容性好的解析器：
composer require smalot/pdfparser
安装后即可在控制器或服务类中使用。
2. 提取文本并去除换行符的核心代码
以下是在 Yii2 控制器中使用的示例（假设 PDF 文件路径已知）：
use Smalot\PdfParser\Parser;
public function actionExtractText()
{
$pdfPath = '@app/files/document.pdf'; // 替换为实际路径
$absolutePath = \Yii::getAlias($pdfPath);
if (!file_exists($absolutePath)) {
throw new \Exception('PDF 文件不存在');
}
$parser = new Parser();
$pdf = $parser->parseFile($absolutePath);
$text = $pdf->getText(); // 获取全部文本（含原始换行）
// 去除所有空白符（换行\n、回车\r、制表\t、多余空格），替换为单个空格
$cleanText = preg_replace('/[\r\n\t]+/', ' ', $text);
$cleanText = preg_replace('/\s+/', ' ', $cleanText); // 合并连续空白为一个空格
$cleanText = trim($cleanText);
return $this->asJson(['text' => $cleanText]);
}
3. 注意事项与常见问题
-
PDF 内容是否可选中：若 PDF 是扫描件（图片型），
smalot/pdfparser无法提取文字，需先用 OCR（如 Tesseract）识别，Yii 中需集成thiagoalessio/tesseract_ocr等扩展。 - 中英文混排换行处理：有些 PDF 中文段落会因排版强行换行，清洗时建议保留句号、问号、换行符后的中文字符逻辑，但基础场景用上述正则已足够。
-
内存与大文件：解析超大 PDF 可能触发内存限制，可在 PHP 配置中临时调整：
ini_set('memory_limit', '512M'); -
编码问题：部分 PDF 使用非 UTF-8 编码，
$pdf->getText()默认返回 UTF-8 字符串；若出现乱码，需检查 PDF 内嵌字体和编码声明，一般无需额外转码。
4. 进阶：按页提取并分别清洗
如需保留分页逻辑再清洗每页内容：
$pages = $pdf->getPages();
$cleanPages = [];
foreach ($pages as $page) {
$pageText = $page->getText();
$cleanPage = preg_replace('/[\r\n\t\s]+/', ' ', $pageText);
$cleanPages[] = trim($cleanPage);
}
$fullCleanText = implode(' ', $cleanPages); // 合并为一段
