Я использую pdftotext для извлечения простого содержимого из файлов PDF.
Но результат не имеет формата (например, абзацы, списки и т. д.). Как можно извлечь простой текст из PDF-файлов с помощью pdftotext и получить результат, отформатированный в разметке?
На самом деле я пытаюсь это:
pdftotext -layout -enc UTF-8
есть ли другой способ сделать это?
То, что вы хотите сделать, невозможно с pdftotext.
Результат, который возвращается pdftotext -layout, является лучшим, который вы можете получить.
Markdown (или иным образом отформатированный) вывод текста в настоящее время невозможен.
Однако могут быть некоторые разработки в других областях (например, pdf.js), которые могут привести к тому же результату в будущем...
Это «форматирование», однако, каким-то образом будет отражать только визуальный вид страниц PDF и не будет соответствовать какой-либо структурной информации документа (сообщая, что такое «заголовок», что такое «список», что такое «абзац»).
То, что @jongware написал в своем комментарии, полностью верно:
Файлы PDF не содержат «абзацев, списков и т. д.». если только он не был специально помечен соответствующей разметкой. Если PDF-файл не помечен, любая утилита (вплоть до собственного Acrobat Reader от Adobe, пробного камня для программного обеспечения для обработки PDF) может только догадываться, что такое «абзац» или «список».
