Yii框架不内置PDF解析功能，需借助smalot/pdfparser等第三方库提取文本，并封装清洗逻辑（移除控制字符、统一空白、清理零宽字符等）于服务类中；中文乱码时可尝试iconv转码或改用pdftotext。
Yii 框架本身不内置 PDF 解析功能，需借助第三方库（如 smalot/pdfparser、setasign/fpdi 或 spipu/html2pdf 的配套工具）读取 PDF 文本内容；过滤无效字符则属于通用字符串清洗逻辑，与 Yii 无强耦合，但可在模型、行为或服务类中封装复用。
选择合适的 PDF 解析库并集成到 Yii 项目
推荐使用 smalot/pdfparser（轻量、纯 PHP、支持中文基础提取）：
- 通过 Composer 安装：
composer require smalot/pdfparser - 在 Yii2 中可直接在控制器或服务类中使用，无需额外配置（它不依赖 Yii 组件）
- 注意：PDF 若为扫描件（图片型），该库无法提取文字，需先 OCR（如 Tesseract），此场景不适用
提取文本后过滤常见无效字符
PDF 解析出的文本常含换页符、多余空格、零宽空格（U+200B）、软连字符（U+00AD）、控制字符（如 U+0000–U+001F）等。建议统一清洗：
- 移除不可见控制字符：
preg_replace('/[\x00-\x08\x0B\x0C\x0E-\x1F\x7F]/u', '', $text) - 替换多种空白为单个空格：
preg_replace('/\s+/u', ' ', $text) - 清理零宽字符：
str_replace(["\xE2\x80\x8B", "\xE2\x80\x8C", "\xE2\x80\x8D", "\xC2\xAD"], '', $text)（UTF-8 编码下的常见零宽字符） - 可选：过滤掉纯符号段落（如仅含“——”、“***”、“■”等），按业务需求判断是否保留
在 Yii 模型或服务中封装解析与清洗逻辑
避免在控制器中写重复代码，推荐封装为独立服务类（如 PdfContentService）：
- 接收 PDF 文件路径或二进制流
- 调用
smalot/pdfparser提取全部页面文本 - 对合并后的文本执行上述清洗规则
- 返回标准化字符串，供搜索、导入、校验等后续流程使用
- 可增加异常捕获（如文件损坏、编码异常），抛出 Yii 自定义异常便于统一处理
中文兼容性与编码注意事项
PDF 内嵌字体和编码方式多样，smalot/pdfparser 对 GBK/GB2312 编码的 PDF 支持有限，易出现乱码：
- 优先确保 PDF 为 UTF-8 编码生成（如由现代办公软件导出）
- 若遇到乱码，可尝试用
iconv('GBK', 'UTF-8//IGNORE', $rawText)尝试转码（需谨慎，可能丢失字符） - 更可靠的方式是改用
poppler-utils（Linux 命令行）配合pdftotext，再由 PHP 调用：exec("pdftotext -enc UTF-8 {$filePath} -", $output); $text = implode("\n", $output);
