首先，我的目标不是一个具体的开发答案，而是一种开发方法。
我遇到的问题是，我有一个客户有大量的 PDF 文章，在过去的 20 年里，每年大约有 150 篇文章在 50 个 pdf 中。所有这些 PDF 都是从 Quark express 编译的，来自使用 mac 的人（如果该信息很重要）。每次创建新的 pdf 杂志时，网络开发团队都会将每篇文章复制并粘贴（！）到 Internet 上的表格（！），包括 标题、内容、关键字、参考文献、作者姓名等。一个人通常需要大约 3 天的时间才能完成这项工作。
当我在那里工作时（我现在已经不在了，那是差不多七年前的事了），我使用剪贴板监控应用程序和一些与服务器交互的简单的基于 XML 的 PHP 脚本将这个过程加快了三倍。然后，您需要做的就是选择文本，CTRL+C，选择更多文本，CTRL+C，转到应用程序 (ALT+TAB)，按“下一篇文章”，然后重复此操作。但是我们，或者大部分是我，每年仍然要花费大约 50 天来处理 PDF 杂志。
现在我已经七年了，出于友好的访问原因，我即将再次与我的老老板交谈。我知道他们仍在使用我的应用程序（！）。但也许重新审视他们的问题是个好主意，看看我是否可以建议一个可以帮助他们的编码项目？
我从来没有使用过 Quark Express，我只知道它类似于 MS Word，就我对软件的了解而言。我对未加密、提取的 PDF 代码/语法不是很熟悉。
简而言之：Quark Express 是否有一些特定的编译模式，可以在 PDF 脚本中用于提取文章？有哪些“智能”工具，可以从文章内容所在的类似结构的 pdf 页面中“学习”？是否有工具，例如某种 Quark Xpress 模块，可以将文章“封装”或“标记”在一起，并带有不可见的参考标签，从而使脚本的提取更加简单？
创建这些 PDF 的人在过去 20 年里一直在做他们的工作，除了软件更新之外，他们不愿意改变他们的工作流程。为他们提供的任何其他工具都不得干扰他们的工作流程，否则他们只会拒绝它。
我不想要代码；但只是一些关于您或其他人可能对其他 PDF 提取问题所做的描述。最好的答案可能是对几种方法的描述，或者对带有案例描述的外部链接的一些引用。