PHP直接读取在线PDF失败是因为PDF是含对象、交叉引用表等的二进制格式，非纯文本；用pdftotext（Poppler）提取文字最可靠，需服务器命令行权限并处理加密与扫描件。
PHP 直接读取在线 PDF 文件会失败，原因是什么？
PHP 的 file_get_contents() 或 curl 能拿到 PDF 的二进制流，但直接输出或 echo 只会看到乱码——PDF 不是纯文本格式，而是包含对象、交叉引用表、压缩流和字体映射的结构化二进制文档。试图用 strip_tags() 或正则硬匹配文字，基本无效，还可能触发解析错误或截断内容。
推荐方案：用 Poppler 工具链 + exec() 调用 pdftotext
比纯 PHP 库（如 TCPDF、FPDI）更可靠，也比 smalot/pdfparser 这类纯 PHP 解析器更能处理加密、图片内嵌文字、非标准编码的 PDF。前提是你有服务器命令行权限（Linux/Unix 环境）。
- 安装 Poppler：
apt-get install poppler-utils（Ubuntu/Debian）或yum install poppler-utils（CentOS） - 确保 PHP 的
exec()未被禁用（检查disable_functions配置） - 下载远程 PDF 到临时文件再转换，避免直接管道传输导致编码识别失败：
$pdfUrl = 'https://example.com/doc.pdf'; $tempPdf = sys_get_temp_dir() . '/temp_' . uniqid() . '.pdf'; file_put_contents($tempPdf, file_get_contents($pdfUrl)); $txtPath = $tempPdf . '.txt'; exec("pdftotext -layout -enc UTF-8 {$tempPdf} {$txtPath} 2>&1", $output, $returnCode); if ($returnCode === 0 && file_exists($txtPath)) { $text = file_get_contents($txtPath); } -
-layout保留原始排版空格和换行，对表格/段落识别很关键；不加容易把“姓名：”和后面内容挤成“姓名：张三电话：138…”
遇到加密 PDF 怎么办？
很多在线 PDF 含所有者密码（即使能打开，也不代表可复制文字）。pdftotext 遇到加密会静默失败或报错 PDF password required。不能跳过，必须先解密。
- 用
qpdf尝试无密码解密：qpdf --password='' --decrypt input.pdf output.pdf（部分弱加密有效） - 若已知密码，传给
pdftotext -opw "xxx"（所有者密码）或-upw "xxx"（用户密码） - PHP 中判断是否加密：
exec("pdfinfo {$tempPdf} 2>&1", $info);检查输出中是否含Encrypted: yes
为什么不用 smalot/pdfparser 或 setasign/fpdi？
它们适合「已知结构简单、无加密、无图像OCR文字」的 PDF，比如自动生成的发票。但一旦 PDF 含扫描件（本质是图片）、使用自定义字体嵌入、或用了 JBIG2 压缩，这些库就只能返回空字符串或乱码字符（如 þÿ）。而 pdftotext 底层调用 Poppler 的文本提取引擎，对真实业务 PDF 兼容性高得多。
立即学习“PHP免费学习笔记（深入）”；
真正难的不是“怎么写代码”，而是确认 PDF 是否真含可提取文字——打开它，Ctrl+A 全选，看能否复制出内容。如果不能，说明是扫描件，此时 PHP 层面已无解，必须上 OCR（如 Tesseract），那又是另一套流程了。
