我正在做一个项目，我有一个描述其中一项健康政策的 pdf 文件。我需要做的是从此 PDF 中提取信息并尝试以某种形式保存它，以便我可以通过从此 PDf 中提取信息来回答与政策相关的问题。
这个 PDF 太大了，所以我想根据不同的部分来划分 PDF，这样当涉及到某个特定区域的查询时，我就不必遍历整个文档。
我尝试使用一些将 PDF 转换为 HTML 的 pdf 转换器来解决这个问题。但是这些转换器不会正确地将 PDF 转换为 HTML，因此标题将具有标题标签。此外，即使我正确转换并从文档中获取正确的部分，我也不知道如何存储这些数据。（我的意思是我应该以哪种形式存储这些数据）。
有没有其他解决方案可以实现这一点。我正在使用 Python，如果需要，我也可以使用 NLTK。PDfs 的格式也不是固定的，我的意思是说我的代码应该适用于任何类型的 PDF。