PHP提取含希伯来语的PDF文本显示乱码，设UTF-8仍无效如何解决

核心问题说明 #

你当前的操作存在两个核心错误：

• 直接使用file_get_contents()读取PDF二进制文件：PDF并非纯文本格式，内部包含压缩块、字体映射、结构化标记等非文本内容，直接读取必然得到乱码，和页面编码设置无关
• 错误调用utf8_encode()：该函数仅支持将ISO-8859-1编码的内容转为UTF-8，你读取的PDF二进制内容不属于该编码范畴，调用该函数会进一步破坏字符编码，加重乱码问题

适配表格+希伯来语的解决方案 #

因为你不能使用pdfParser，优先推荐使用pdftotext工具（属于poppler-utils组件），它对表格布局的保留效果、希伯来语右到左文本的支持都优于纯PHP实现的解析库：

前置配置 #

服务器安装poppler-utils组件：

• Linux系统执行安装命令：apt install poppler-utils
• Windows系统可下载poppler预编译二进制包，配置好环境变量即可

修复后的代码示例 #

<?php
header('Content-type: text/html; charset=UTF-8');

$formReturn = $_POST["formReturn"] ?? '';
$text = '';

if ($formReturn && !empty($_FILES["gradesPdf"]["tmp_name"])) {
    $tmpPdfPath = $_FILES["gradesPdf"]["tmp_name"];
    $tmpTxtPath = tempnam(sys_get_temp_dir(), 'pdf_extract_');
    
    // 调用pdftotext，指定UTF-8编码，-layout参数保留表格排版
    $cmd = sprintf(
        "/usr/bin/pdftotext -enc UTF-8 -layout %s %s",
        escapeshellarg($tmpPdfPath),
        escapeshellarg($tmpTxtPath)
    );
    exec($cmd, $output, $returnVar);
    
    if ($returnVar === 0) {
        $text = file_get_contents($tmpTxtPath);
    }
    unlink($tmpTxtPath);
}

$html = '
<!DOCTYPE html>
<html lang="he">
<head>
    <meta charset="utf-8" />
    <title>נסיון</title>
    <style>
        /* 适配希伯来语右到左阅读习惯 */
        .extract-content {
            direction: rtl;
            text-align: right;
            font-family: "Arial Hebrew", sans-serif;
        }
    </style>
</head>
<body>
    <form enctype="multipart/form-data" method="post">
        <input type="file" name="gradesPdf" id="gradesPdf">
        <br><br>
        <button type="submit">run</button>
        <input type="hidden" name="formReturn" value="1">
    </form>
    <div class="extract-content">'. htmlspecialchars($text) .'</div>
</body>
</html>
';

echo $html;

额外注意事项 #

• 如果pdftotext执行失败，可先在服务器命令行手动执行提取命令排查问题，确认二进制路径是否正确
• 输出文本时加htmlspecialchars()避免PDF中的特殊字符破坏HTML结构
• 可根据显示效果调整字体配置，确保使用支持希伯来语的字体渲染文本

内容的提问来源于stack exchange，提问作者Yair Cohen