我对解析 PDF 感兴趣已有一段时间，并取得了不同程度的成功。然而，对于 PDF，有用的数据通常包含在文本中，即在表格之外等。但是，如果您要从句子中获取数据，那么句子没有被破坏是至关重要的。我发现的最好的方法（老实说，唯一的方法）是使用 Word，但这是一个看似草率的解决方案，并不总是能正确识别 PDF。
我明白解析 PDF 并不是一件微不足道的事情，但是令我惊讶的是似乎没有像 word 这样的库/工具可以检测整个句子和格式，即文本是否为粗体或字体大小。
其他命令提示工具，如 XPDF 阅读器，非常擅长从 PDF 立即创建文本文件，甚至可以保持布局，但同样无法检测句子是否被破坏。我知道实际上没有什么可以检测到的，因为 PDF 只是页面上没有任何关系的文字。
显然这一定是一件有点困难的事情，但这又引出了一个问题，word 是如何做到这么好的？ （不是 100%，但我遇到过最好的）
如果 word 可以做到这一点，那么肯定已经在 python 库或类似库中实现了相同的功能？还是我太天真了..