最稳妥方案是使用 github.com/unidoc/unipdf/v3 提取 PDF 文本，需调用 unicommon.SetLicenseKey、注册中文字体以解决乱码，并注意其免费版限 10 页；图像型 PDF 需 OCR，可用 pdfcpu extract text 快速判断类型。
用 github.com/unidoc/unipdf/v3 提取 PDF 文本最稳妥
Go 原生不支持 PDF 解析，必须依赖第三方库。目前生产环境最稳定、中文支持较好（需额外配置）的是 unidoc/unipdf/v3，它能处理带字体嵌入、简单加密、多列排版的 PDF，比 pdfcpu 或 gofpdf 更专注文本提取。
注意：unipdf v3 开源版有页数限制（免费最多 10 页），商用需授权；v2 已停止维护，别用。
- 安装命令：
go get github.com/unidoc/unipdf/v3/creator（实际只需model和extractor，但官方推荐装creator一起） - 加载文件前必须调用
unicommon.SetLicenseKey（即使用免费版，否则会 panic） - 中文乱码常见原因：PDF 内嵌字体未映射到系统字体，需手动注册中文字体路径，例如：
pdfcore.RegisterFont("NotoSansCJK", "NotoSansCJKsc-Regular.ttf")
pdfcpu extract text 命令行快速验证是否可行
不是所有 PDF 都能被程序“读出文字”——有些本质是扫描图转成的 PDF（即一堆图片），pdfcpu extract text 会返回空或报错 no text found。先用它快速判断 PDF 类型，省得写 Go 代码白忙。
- 安装：
go install github.com/pdfcpu/pdfcpu/cmd/pdfcpu@latest - 检查结构：
pdfcpu validate -v your.pdf看是否提示contains no content stream（基本就是图像 PDF） - 尝试提取：
pdfcpu extract -mode text your.pdf，若输出为空或只有换行符，说明需要 OCR，Go 本身不带 OCR 能力
用 golang.org/x/image/font/basicfont 处理纯文本 PDF 的轻量方案
如果 PDF 是由 Word/LibreOffice 导出、无复杂样式、无加密、且确认含真实文本流（非图像），可用更轻量的 github.com/pdfcpu/pdfcpu/pkg/api 直接解析内容流，避开 unipdf 的 license 和字体注册负担。
立即学习“go语言免费学习笔记（深入）”；
- 核心函数是
pdfcpu.ReadPdf+pdfcpu.ExtractText，但需自己遍历 pages 并拼接 - 不处理字体映射，对英文和基础 ASCII 安全；遇到
cidfont或toUnicode缺失时，中文仍会显示为方块或乱码 - 性能比 unipdf 快约 30%，内存占用低，适合批量处理已知格式的内部文档
提取后文本换行错乱？重点检查 Page.GetPageContent() 的操作顺序
PDF 中文本位置靠坐标定位，不是天然按阅读顺序排列。直接调 extractor.ExtractTextFromPage 可能导致段落颠倒、标题跑到底部。真正控制顺序得靠底层解析：
- 用
page.GetPageContent().GetTextElements()获取每个TextElement，它含X/Y坐标和FontSize - 按
Y降序分“行”，再按X升序排字块——但要注意：同一行内不同字号/字体可能 Y 值有 ±0.5 差异，需加容差（如math.Abs(y1-y2) ） - 表格类 PDF 更麻烦：相邻单元格 Y 接近但 X 跨度大，硬排序会把表头和数据连成一句，得先检测空白列或竖线坐标
实际项目里，90% 的“提取不准”问题出在没做坐标归一化，而不是库选错了。
