我试图更好地了解PDF如何存储文本。一般来说，当从MS Word等应用程序创建PDF时（或者在我的情况下，SQL Server Reporting Services）时，PDF如何存储文本？如果原始PDF文档是从图像创建的，我希望在这种特定情况下，生成的文档不会被OCR处理。PDF如何存储文本
为了更详细一点，我试图了解PDF的文本提取器是如何工作的。我最初对PDF的理解是，它存储了（PostScript）有关如何将文档的“图像”绘制到页面或打印机上的说明，以及文档本身没有包含实际文本。随后，我认为文本提取器可能会对这些指令进行反向工程，以生成PDF将以其他方式生成的文本。不过，我对此没有信心。
PDF包含几种不同类型的对象;不仅是矢量或光栅绘图指令。特别是文本由文本元素表示。这些包括应使用特定字体在特定位置绘制的字符串。
从PDF中提取文本可能是一件复杂的事情，因为文件格式是面向页面布局的。文本元素可以是整个段落，也可以是单个字符。如果不同的字体混合在一起，即使一个单词也可能由多个文本元素组成。而且，字符不一定以诸如Unicode的标准编码进行编码。它们可以以特定字体的特定方式进行编码。
如果你足够幸运对付标签PDF文件，如PDF/A或PDF/UA，因为文本跨度能够被识别，并被定义为Unicode字符映射文本提取可以方便很多。
维基百科没有完整的规范，但没有作一个介绍：http://en.wikipedia.org/wiki/Portable_Document_Format#Text
所以可以肯定地说，因为文本元素仅仅告诉渲染引擎绘制什么，这就是为什么当你从PDF中提取文本时没有上下文的原因？ – 2013-03-25 19:30:04
你可以这么说。 PDF表示“这是一段文字”，但它不会告诉你它是段落，标题还是表格。这使得从PDF中提取纯文本变得复杂。 – Joni 2013-03-25 19:33:45
@Joni，它可能会变得更糟，你可能会得到一个带有减少的字体信息的PDF，在这种情况下，你甚至无法知道哪个Unicode或ANSI文本字符属于特定的PDF字符。它也可以变得更好，你可能有一个带标签的PDF，其中可能包含段落/标题/行信息，但在通用应用程序中，你不能假设任何东西。 – yms 2013-03-25 19:53:26
那么你有什么看？显然不是PDF规范或维基百科文章。 – 2013-03-27 14:04:02
我很好奇：这个“脱离主题？”究竟如何？ – 2013-03-28 14:56:03