Jetez un oeil à org.apache.pdfbox.examples.util.PrintTextLocations. Je l'ai beaucoup utilisé et il est très utile de faire des analyses sur la disposition des éléments et des limites dans les documents PDF. Il a également révélé des éléments imprimés à l'encre blanche, ou en dehors de la zone imprimable (vraisemblablement des filigranes de documents, ou des éléments «oubliés» poussés hors de vue par l'auteur).
Exemple d'utilisation:
java -cp app/target/pdfbox-app-1.5.0.jar org.apache.pdfbox.examples.util.PrintTextLocations ~/tmp/mydoc.pdf >~/tmp/out-text-locations.txt
Vous obtiendrez quelque chose comme ça:
Processing page: 0
String[53.9,59.856995 fs=-6.0 xscale=6.0 height=-3.666 space=1.3320001 width=4.6679993]A
String[58.568,59.856995 fs=-6.0 xscale=6.0 height=-3.666 space=1.3320001 width=2.6640015]f
String[61.232002,59.856995 fs=-6.0 xscale=6.0 height=-3.666 space=1.3320001 width=1.6679993]e
...
que vous pouvez facilement analyser et utiliser pour tracer la position de l'élément, le cadre limite, et le « flux » (trajectoire à travers tous les éléments), etc. pour chaque page. Comme je suis sûr que vous êtes déjà au courant, vous trouverez que PDF peut être presque impossible à convertir en texte. C'est vraiment juste un format de description graphique (c'est-à-dire pour l'imprimante ou l'écran), pas un langage de balisage. Vous pouvez facilement faire un PDF qui imprime "Hello world", mais qui saute aléatoirement à travers les positions de caractères (et qui utilise des glyphes différents que n'importe quel encodage char, si vous le souhaitez), rendant le PDF très difficile à convertir en texte. Il n'y a pas de notion de "mot" ou de "paragraphe". Un document à deux colonnes, par exemple, peut être un cauchemar à analyser dans un texte.
Pour la deuxième partie de votre question, j'ai eu de bons résultats en utilisant la version xpdf 3,02, après la fixation Xref.cc (faire XRef::okToPrint(), XRef::okToChange(), XRef::okToCopy() et XRef::okToAddNotes() retourner tous gTrue). C'est pour manipuler des documents verrouillés, pas cryptés (il y a d'autres utils pour ça).