conversion PDF en format ASCII - quel est l'état de l'art?

Question

Je suis à la recherche d'un utilitaire ou d'une bibliothèque pour extraire du texte à partir de fichiers PDF et le mettre en forme en texte brut tout en conservant le plus possible la disposition d'origine (tables, colonnes, etc.).

Nous utilisons actuellement pdftotext mais je me demandais s'il y avait quelque chose de mieux. Il doit s'agir d'un outil de ligne de commande ou d'une bibliothèque que nous pouvons lier à notre application.

Est-ce que pdftotext est aussi bon que ça, ou y at-il quelque chose de mieux?

Answer 1

Pour le bénéfice des autres avec le même problème: Nous avons fini par rester avec pdftotext malgré ses inconvénients (comme la production de déchets parfois lorsque des sous-ensembles de polices sont utilisés).

Voir aussi: http://www.glyphandcog.com/textext.html

Answer 2

AbiWord avait un projet SoC pour cela il y a un certain temps. IIRC, il a fait du bon travail pour recréer des documents, des tableaux et des chiffres multicolonnes. Il y a aussi une interface de ligne de commande.

Answer 3

Une partie du problème est que je pense que certains des outils plus simples manipulation pdf/création ne correspondent pas du texte, mais enregistrer le texte dans le cadre d'un fichier pdf statique comme image. Pour ces fichiers, vous devrez utiliser OCR.