pdf - 理论上从.pdf文件中提取文本

Question

我知道有数千种方法可以从 .pdf 文件中提取文本 - 有在线转换器、库、包，并且可以使用任何编程语言来完成。为了我的论文的需要，我正在寻找解释它如何工作的来源 - 我发现一些演示文稿表明文本基本上是括号之间的任何内容，但是当我用一些记事本打开 .pdf 文件时，我没有找到它（实际上没有真实的话）。是否有任何描述.pdf 文件如何工作的文章？使用什么语言？它的层次是什么？我们可以从头开始在一些记事本中创建一个 .pdf 文件吗- 然后将其保存为 .pdf 并正确查看？这样的 pdf_to_text 工具（例如在 R 甚至 JavaScript 中）是如何从内部工作的？我将非常感谢任何答案，帮助，链接，解释！

标签： pdftext-mining