C++标准库无法解析PDF，因其是含压缩流、交叉引用表等的复杂二进制格式，非纯文本；直接用fstream+正则会得到乱码或空字符串；必须借助Poppler-cpp等专用库实现可靠解析。
PDF文本解析为什么不能直接用标准C++库
C++标准库不提供PDF解析能力，因为PDF是复杂二进制格式（含压缩流、交叉引用表、对象间接引用等），不是纯文本文件。试图用fstream读取后正则匹配，大概率拿到乱码或空字符串——PDF里文字常被拆成多个操作符（Tj、TJ）、嵌在资源字典中，还可能经过FlateDecode压缩。
推荐方案：用poppler-cpp而不是自己解析
Poppler是成熟开源PDF渲染/解析引擎（Linux发行版默认预装，macOS可通过brew install poppler安装），其C++绑定poppler-cpp提供稳定API。比libpdfium更易编译，比PDFium的C++ API更轻量。
常见错误：poppler-cpp头文件路径容易配错（Ubuntu上是poppler/cpp/poppler-document.h，macOS可能是poppler/cpp/poppler-document.h但依赖pkg-config）；链接时漏掉-lpoppler-cpp会报undefined reference to 'poppler::document::load_from_file'。
最小可行代码片段：
立即学习“C++免费学习笔记（深入）”；
#include <poppler/cpp/poppler-document.h>
#include <poppler/cpp/poppler-page.h>
#include <iostream>
int main() {
auto doc = poppler::document::load_from_file("sample.pdf");
if (!doc) {
std::cerr << "Failed to load PDF\n";
return 1;
}
for (int i = 0; i < doc->pages(); ++i) {
auto page = doc->create_page(i);
if (page) {
std::cout << page->text() << "\n"; // 提取本页文本
}
}
return 0;
}
中文乱码怎么办：字体与编码必须匹配
PDF里中文常使用CID字体（如/STSong-Light），poppler-cpp默认尝试用Unicode映射，但若PDF未内嵌ToUnicode表或使用自定义编码，page->text()会输出方块或问号。
- 确认PDF是否含内嵌字体：用
pdfinfo -f sample.pdf看是否提示Fonts: ... embedded - 强制启用字体回退：编译时加
-DPOPPLER_FONTCONFIG=ON，运行时确保系统有对应中文字体（如Noto Sans CJK） - 临时绕过：改用
page->text_layout()获取带坐标的文本块，再按区域拼接（对排版敏感场景更可靠）
性能瓶颈在哪：内存占用和单页解析耗时
加载大PDF（>100MB）时，poppler::document::load_from_file()会把整个文件解压到内存，易触发OOM。实际项目中应避免一次性加载全部页面。
优化建议：
- 用
doc->create_page(i)按需加载单页，用完立即释放page智能指针 - 禁用渲染相关功能：构造
poppler::page_renderer会额外加载图像解码器，纯文本提取无需它 - 并发限制：Poppler非线程安全，多线程解析需为每个线程创建独立
document实例
真正麻烦的是扫描件PDF——里面根本没有文本层，这时候page->text()永远返回空，得先调OCR，那已经是另一个工具链了。
