Ca doit probablement exister (pdf2text | je_sais_pas_quoi ...), mais le problème, c'est que le pdf est intrinsèquement un language de mise en page, avec peu de sémantique. Le PDF te dit ou et comment est le texte, mais pas pourquoi. En HTML, l'aveugle, il oublie le CSS, et il lit des < h1 >, < h2 >, ... dans le texte. Il a les attributs "alt" de certaines balises. Bref, il a toute la structure du document, alors que le pdf est forcément assez "plat" pour lui.
[^] # Re: Peut être le futur du web ?
Posté par Matthieu Moy (site web personnel) . En réponse à la dépêche Le moteur de Gecko en version serveur ?. Évalué à 7.