pdfcpu提取中文文本需配置fontmap.yml指定中文字体绝对路径，嵌入字体时无效；go调用需设conf.fontmapfile，返回文本页间以”f”分隔；unidoc过重且有许可限制；加密pdf仅owner密码阻断提取。
pdfcpu 提取文本时中文乱码怎么办
默认不支持中文，因为 pdfcpu 内置字体映射没覆盖常见中文字体（如 Adobe-GB1、GBK），直接调用 pdfcpu extract text 会把中文转成空格或方块。
- 必须显式指定字体映射配置文件：用
-f参数传入自定义fontmap.yml -
fontmap.yml至少要包含一条匹配规则，例如Adobe-GB1: /System/Library/Fonts/PingFang.ttc（macos）或SimSun: C:windowsFontssimsun.ttc（Windows） - 路径必须是绝对路径，相对路径在 pdfcpu 中会被忽略
- 如果 PDF 使用了嵌入字体（Embedded Font），
fontmap.yml无效，得先用pdfcpu validate检查是否含嵌入字体；有则需换库（如 unidoc）或预处理剥离字体
用 golang 调用 pdfcpu 提取文本的最小可行代码
别直接 exec.Command 包一层就完事——pdfcpu 的 Go API 是纯函数式设计，不暴露底层 reader，但支持从 io.Reader 加载 PDF，更可控也更省内存。
- 导入
github.com/pdfcpu/pdfcpu/pkg/api和github.com/pdfcpu/pdfcpu/pkg/pdfcpu - 用
api.ExtractText，传入*pdfcpu.Configuration（关键：设置Conf.FontMapFile = "/path/to/fontmap.yml"） - 输入必须是
bytes.Reader或os.File，不能是网络流（http.Response.Body需先io.ReadAll） - 返回的
String是按页拼接的，每页之间用"f"分隔，不是"n"，注意切分逻辑
cfg := pdfcpu.NewDefaultConfiguration() cfg.FontMapFile = "/etc/fontmap.yml" text, err := api.ExtractText(bytes.NewReader(pdfData), nil, cfg)为什么 github.com/unidoc/unipdf 不适合轻量 CLI 工具
unidoc 的 Go SDK 功能全，但对简单文本提取来说太重：许可证限制、编译慢、二进制体积大、运行时依赖多。
- 免费版只支持 200 页/天，超限后
pdf.Reader.Read会静默返回空文本，无明确错误提示 - 必须调用
license.SetLicenseKey，否则部分 PDF（尤其带加密或非标准结构）会 panic 报"invalid Object number" - 编译出的二进制含大量未使用的渲染/图像模块，linux amd64 下轻松破 40MB，而 pdfcpu + fontmap 可控在 8MB 内
- 它默认把换行符标准化为
"n"，看似友好，但实际会合并原文档中因排版产生的“假换行”，导致段落粘连
PDF 加密时 extract text 失败的快速判断和绕过
不是所有加密都阻止文本提取。pdfcpu 会区分 owner password 和 user password，只有 owner password 才真正限制内容操作。
立即学习“go语言免费学习笔记（深入）”；
- 用
pdfcpu validate -v input.pdf查看输出里是否有Encrypted: true和Permissions: ... text extraction denied - 如果只是 user password（打开密码），传入
-pw yourpass即可继续提取，无需解密 PDF 文件本身 - 如果 owner password 锁死了文本权限，且你没有密码，基本无解——Go 生态里没有开源库能绕过 AES-256 权限位
- 别试
qpdf --decrypt后再喂给 pdfcpu：qpdf 会重写对象流，某些 PDF 经此处理后反而触发 pdfcpu 的 strict mode 报错"invalid xref"
pdfcpu 的 fontmap 机制看着麻烦，但它是目前 Go 生态里唯一能把中文字体映射、权限检查、内存控制三者稳住的方案。真要支持嵌入字体 PDF，就得接受加一层 ocr 的现实——那已经不是“文本提取”而是“文档理解”了。