平，
我目前正在研究文本提取器软件，例如pdftotext，antiword，catdoc等...＆amp;我想了解为什么没有软件可以保持文本的完美。在不丢失格式的情况下解析文本是否如此困难？
感谢。
答案 0 :(得分：0)
难以在不丢失格式的情况下解析文本吗？
是！
我想了解为什么没有软件可以保持文本的完美
如果你真的开始考虑解决这个问题，你很快就会明白为什么这很难做到。通常情况下，人们会看到他们的计算机屏幕，只看到一堆文字，并且不了解屏幕上的内容与文件中存储的内容之间的区别。
正如关于这个问题的一些评论所指出的，每种文件格式都有其独特的挑战，我比其他文件格式更熟悉PDF，但让我们简单看一下。
PDF构建为页面描述语言，请参阅wikipedia，计算机可以在屏幕上解释和绘制的内容，无论在何处查看，都可以看作作者的意图。
这意味着存储在PDF中的内容是计算机能够重现视觉表示的最小信息量，仅此而已。许多PDF创建工具支持它们所需的，其他创建工具提供有关PDF内容的更多信息，以便以后可以提取内容而无需OCR PDF。
文本可以通过多种方式存储在PDF，实际文本，包含文本或路径的图像中。可能还有更多和我列出的3个，只有1是我们认为的真实文本，除了从最终用户的角度来看，它们都是文本，因为这就是他们看，他们不知道这些文字是如何被绘制到屏幕上的，甚至还没有开始谈论不同的语言，编码和字体。