Yii不提供PDF文本提取功能，需借助TCPDF+pdf-parser、Poppler的pdftotext或Apache Tika等外部工具，在Yii中封装安全调用逻辑并处理扫描件、编码、超时等实际问题。
Yii本身不提供PDF文本提取能力，它是一个Web应用框架，不是文档处理库。要从PDF中提取文字，必须借助外部PHP扩展或命令行工具，并在Yii项目中封装调用逻辑。
核心依赖：选对底层工具
PHP原生无法解析PDF文本，需引入可靠第三方支持：
- 推荐首选 TCPDF + pdf-parser（纯PHP）：轻量、无系统依赖，适合中小PDF；但对扫描件、复杂排版支持弱
-
更稳方案：Poppler 工具集（pdftotext）：Linux/macOS下通过
exec('pdftotext -layout input.pdf -')调用，精度高、兼容好，需服务器预装 - 企业级场景：Apache Tika（Java服务）：通过HTTP调用Tika Server API，支持PDF/Word/Excel等多格式，适合混合文档系统
在Yii控制器中安全调用pdftotext
假设已安装pdftotext（Poppler套件），且PDF文件存在@webroot/uploads/report.pdf：
- 先用
Yii::getAlias('@webroot') . '/uploads/report.pdf'拼出绝对路径 - 严格校验文件存在、可读、且后缀为.pdf（防路径穿越）
- 执行命令并捕获输出：
$text = trim(exec("pdftotext -layout " . escapeshellarg($filePath) . " - 2>/dev/null")); - 若返回为空，检查
exec是否被禁用（查看disable_functions）、权限是否足够
封装成可复用的服务类
避免在控制器里写重复逻辑，建议新建services/PdfTextExtractor.php：
- 构造方法注入
pdftotext路径（便于测试/切换） - 提供
extract(string $filePath): string方法，内置超时（proc_open更安全）和错误码判断 - 对提取结果做基础清洗：合并换行符、过滤多余空格、移除页眉页脚关键词（如“第 X 页”可正则剔除）
- 返回前可缓存到
@runtime/pdf-text/目录，按文件MD5命名，避免重复解析
注意事项与避坑点
PDF文本提取不是“开箱即用”的功能，实际落地要注意：
- 扫描型PDF（图片PDF）完全无法提取——必须先OCR，可集成Tesseract，但Yii不直接参与，只调度
- 中文支持依赖pdftotext编译时是否启用Unicode支持；若乱码，加参数
-enc UTF-8 - 大文件（>50MB）可能超时或内存溢出，应设
set_time_limit(120)并分页处理（pdftotext支持-f 1 -l 10） - 不要把用户上传的原始PDF路径直接拼进shell命令，必须用
escapeshellarg()或白名单校验
不复杂但容易忽略。关键不在Yii，而在选对工具链、封好边界、控住风险。
