我有一个很大的PDF文档（包含技术内容）。内容按章，节，小节组织。有些章节包含层次结构列表（包含项目和子项目），有些则包含纯文本，有些则包含表格。我需要的是按照文档结构来解析PDF并将文本拆分为最小的部分。因此，以后我将能够分别处理每个部分（作为文本）。我打算使用python做到这一点。
您能提示我一些常见的策略吗？
我简要地研究了如何解析PDF，这似乎是使用xpdf的最简单的解决方案。输出仍然不是理想的，但是比我用PyPDF2进行的基本实验的结果要好得多。
但是，最棘手的部分即将到来-根据基本PDF，如何构造此原始输出（实际上是字符串），将其分为多个部分。我想我应该使用一些nltk或scikit-learn之类的NLP库，但是不确定从什么开始。我应该为此选择哪种方法和算法。最终的结果是，我想拥有像树结构一样存储的部分数组（作为文本）。