使用smalot/pdfparser提取PDF文本返回空结果问题求助

我尝试使用smalot/pdfparser提取PDF文件文本，但部分无密码、可在Chrome正常打开的PDF返回空结果，其他PDF可正常提取。

我的代码 #

$parser = new \Smalot\PdfParser\Parser(); // Parse pdf file using Parser library 
$pdf = $parser->parseFile($file);
$metaData = $pdf->getDetails();
print_r($metaData); 
$pages  = $pdf->getPages();
foreach ($pages as $page) {
            $text = $page->getText();
            echo "<div>".$text."</div>";
}
echo $file;

执行结果 #

仅能获取元数据，文本内容为空：

Array
(
    [Producer] => cairo 1.17.4 (https://cairographics.org
    [Pages] => 1
)
<div></div>D:\web\D\public\pdf_po/123.pdf

问题原因分析 #

从元数据能看到该PDF由cairo 1.17.4生成，这类PDF很可能将文本以矢量图形路径的形式绘制，而非存储为PDF标准的可提取文本流对象。smalot/pdfparser的核心逻辑是解析PDF中的文本流节点，无法识别这种图形化的文本，因此返回空结果。

解决方案 #

• 若PDF文本是图形化的，需使用OCR工具提取：搭配Tesseract OCR引擎，先将PDF页面转为图片，再通过PHP的tesseract-ocr扩展识别文本。
• 更换PDF解析库：使用spatie/pdf-to-text（依赖Poppler工具），Poppler支持渲染PDF并提取文本，对图形化文本的处理能力优于smalot/pdfparser。
• 先验证PDF文本属性：用Chrome的“选择文本”功能测试，若无法选中文本，即可确认文本是图形化形式，必须用OCR或渲染类工具处理。

内容的提问来源于stack exchange，提问作者Awan