yii框架不直接提供pdf内容提取功能，需借助smalot/pdfparser等第三方库：安装后在控制器或服务类中实例化解析器，调用parsefile()和gettext()获取纯文本；建议封装为pdftextextractor组件并注册为应用组件，上传后调用extract()方法提取内容存入数据库，注意处理编码、大文件异步及扫描件ocr等限制。
Yii 框架本身不直接提供 PDF 内容提取功能，需借助第三方 PHP PDF 解析库（如 smalot/pdfparser 或 setasign/fpdi + setasign/tcpdf 的组合），在 Yii 应用中调用并封装为服务或工具类。核心思路是：读取 PDF 文件 → 解析文本内容 → 返回字符串。
使用 smalot/pdfparser 提取纯文本
这是最轻量、专注文本提取的方案，适合大多数可复制 PDF（非扫描件）。
- 通过 Composer 安装：
composer require smalot/pdfparser - 在 Yii 控制器或服务类中实例化解析器，加载 PDF 并获取所有页的文本：
$parser = new \Smalot\PdfParser\Parser();
$pdf = $parser->parseFile('/path/to/document.pdf');
$text = $pdf->getText(); // 返回完整字符串，含换行和空格
注意：若 PDF 含多栏、表格或复杂排版，getText() 可能出现顺序错乱或丢失格式；扫描 PDF 需先 OCR（如 Tesseract），此库不支持。
在 Yii 中封装为可复用服务
建议将解析逻辑抽离为独立组件，便于在多个地方调用（如上传后自动提取、后台批量处理）。
- 创建
components/PdfTextExtractor.php：
namespace app\components;
use Smalot\PdfParser\Parser;
class PdfTextExtractor
{
public function extract(string $filePath): string
{
if (!is_file($filePath) || pathinfo($filePath, PATHINFO_EXTENSION) !== 'pdf') {
throw new \InvalidArgumentException('Invalid PDF file path.');
}
try {
$parser = new Parser();
$pdf = $parser->parseFile($filePath);
return trim($pdf->getText());
} catch (\Exception $e) {
throw new \RuntimeException('Failed to extract text from PDF: ' . $e->getMessage());
}
}
}
在配置文件 config/web.php 中注册为应用组件：
'components' => [
'pdfExtractor' => [
'class' => 'app\components\PdfTextExtractor',
],
],
控制器中调用：$content = Yii::$app->pdfExtractor->extract($uploadedFile->tempName);
处理上传后的 PDF 并保存文本到数据库
典型业务场景：用户上传 PDF，系统提取内容，存入模型字段（如 Article::content）。
- 确保模型字段类型支持长文本（MySQL 中用
TEXT或MEDIUMTEXT） - 在
actionUpload()中整合流程：
public function actionUpload()
{
$model = new UploadForm();
if (Yii::$app->request->isPost) {
$model->pdfFile = UploadedFile::getInstance($model, 'pdfFile');
if ($model->pdfFile && $model->pdfFile->extension === 'pdf') {
$tempPath = Yii::getAlias('@runtime/uploads/') . uniqid() . '.pdf';
$model->pdfFile->saveAs($tempPath);
try {
$text = Yii::$app->pdfExtractor->extract($tempPath);
$article = new Article();
$article->title = $model->pdfFile->baseName;
$article->content = $text;
$article->save();
unlink($tempPath); // 清理临时文件
return $this->redirect(['view', 'id' => $article->id]);
} catch (\Exception $e) {
\Yii::error($e);
$model->addError('pdfFile', 'PDF content extraction failed.');
}
}
}
return $this->render('upload', ['model' => $model]);
}
注意事项与备选方案
避免踩坑的关键点：
-
编码问题：部分 PDF 使用非 UTF-8 编码，
getText()返回中文可能乱码；可尝试用$pdf->getDetails()查看元数据，或改用tcpdf-parser等更底层库手动处理字符映射 - 性能考量：大文件（>10MB）或高并发时，建议异步处理（如 Yii + RabbitMQ/Redis Queue）
-
扫描 PDF：必须先转为图像，再调用 OCR 工具（如
tesseract-ocr命令行 + PHPexec()），不可跳过该步骤 -
替代库：若需要更高精度或保留结构（如标题/段落层级），可试
spatie/pdf-to-text（基于 poppler-utils 的封装，Linux 环境更稳定）
不复杂但容易忽略：始终验证 PDF 是否真正含文本层（用 Adobe Reader 选中文字测试），否则所有纯解析方案都会返回空字符串。
