我试图更好地理解 PDF 如何存储文本。一般来说，当从 MS Word（或在我的情况下为 SQL Server Reporting Services）等应用程序创建 PDF 时，PDF 如何存储文本？我希望生成的文档在这种特定情况下不会像原始 PDF 文档是从图像创建的那样进行 OCR。
为了更详细一点，我试图了解 PDF 的文本提取器是如何工作的。我对 PDF 的最初理解是它存储了（PostScript）关于如何将文档的“图像”绘制到页面或打印机的说明，并且文档本身中不包含实际的文本。随后，我认为文本提取器可能会对此类指令进行逆向工程，以生成 PDF 否则会生成的文本。不过，我对此没有信心。
PDF 包含几种不同类型的对象；不仅是矢量或光栅绘图指令。尤其是文本由文本元素表示。其中包括应使用特定字体在某些位置绘制的字符串。
从 PDF 中提取文本可能是一件复杂的事情，因为文件格式面向页面布局。文本元素可以是整个段落，也可以是单个字符。如果混合了不同的字体，即使一个单词也可能包含多个文本元素。此外，字符不一定以标准编码（如 Unicode）进行编码。它们可能以特定于特定字体的方式编码。
如果您有幸处理带标签的 PDF文件，例如PDF/A或PDF/UA，那么文本提取会容易得多，因为文本跨度是这样标识的，并且定义了到 Unicode 字符的映射。
维基百科没有完整的规范，但可以作为介绍：http ://en.wikipedia.org/wiki/Portable_Document_Format#Text