将PDF转换为格式化的ASCII - 最先进的是什么？

Question

我正在寻找一个实用程序或库，用于从PDF中提取文本并以纯文本格式化，同时保留尽可能多的原始布局（例如表格，列等）。

我们目前正在使用pdftotext，但我想知道是否还有更好的东西。它必须是一个命令行工具或我们可以链接到我们的应用程序的库。

pdftotext是不是很好，还是有更好的东西？

Answer 1

为了同样问题的其他人的利益：我们最终坚持使用pdftotext尽管有其缺点（比如在使用字体子集时有时会产生垃圾输出）。

另请参阅：http://www.glyphandcog.com/textext.html

Answer 2

AbiWord暂时有一个SoC项目。 IIRC，它在重建多列文档，表格和数字方面做得非常好。还有一个命令行界面。

Answer 3

部分问题在于我认为一些更简单的pdf操作/创建工具不会添加文本，而是将文本保存为类似静态图像的pdf文件的一部分。对于那些文件，您必须使用OCR。