Когда я хочу извлечь текст из PDF-файла, я подаю его на pdftohtml (часть Poppler ), используя параметр вывода -xml. Это создает XML-файл, который я анализирую, используя XML :: Twig (или любой другой анализатор XML, который вам нравится, кроме XML :: Simple).
Формат XML довольно прост. Вы получаете элемент <page> для каждой страницы в PDF, который содержит элементы <fontspec>, описывающие используемые шрифты, и элемент <text> для каждой строки текста. Элементы <text> могут содержать теги <b> и <i> для текста, выделенного жирным шрифтом и курсивом (поэтому XML :: Simple не может его правильно проанализировать).
Вам необходимо использовать атрибуты top и left тегов <text>, чтобы получить их в правильном порядке, поскольку они не обязательно выводятся в порядке сверху вниз. Система координат имеет 0,0 в верхнем левом углу страницы с положительным направлением вниз и вправо. Размеры указаны в точках PostScript (72 точки на дюйм).