Avec poppler ya des scripts déjà fait du genre pdf2html que tu cites et qui extrait les textes et les images. Tu peux aussi faire facilement un OutputDev avec poppler qui va récupérer les commandes d'affichage (mettre une image ici, mettre du texte là, ...) pour faire en dur ton propre backend qui gère tout précisément (voir les exemples dans les sources de poppler).
Après le problème majeur pour récupérer le texte des PDFs c'est qu'ils ne contiennent, pour la grande majorité d'entre eux, aucun moyen de récupérer vraiment le texte, seulement la position des caractères. Enfin pour des documents simples ça suffit.
[^] # Re: Découper, fusionner ou réorganiser les documents PDF
Posté par Émilien Tlapale . En réponse à la dépêche Premières versions de Caméléon et Final Page. Évalué à 2.
Après le problème majeur pour récupérer le texte des PDFs c'est qu'ils ne contiennent, pour la grande majorité d'entre eux, aucun moyen de récupérer vraiment le texte, seulement la position des caractères. Enfin pour des documents simples ça suffit.