将大文档转数据库，Python中xml、xhtml、epub、pdf哪种解析最无损？

从文本提取的准确性、完整性角度，各格式表现排序如下：

• XML/XHTML：最优选择。这类格式本身是结构化标记语言，文本内容与结构标签完全分离，只要文件无缺陷，提取时能100%保留所有文本内容，几乎不会出现错误或缺失，还能同时获取文本的结构层级信息。
• EPUB：接近最优水平。EPUB本质是打包的XHTML、CSS及元数据集合，核心内容采用结构化的标记文本存储。解析时只需解开EPUB的容器包，就能直接提取内部XHTML中的文本，准确率和完整性几乎和XML/XHTML一致。
• PDF：表现最差。PDF的设计目标是固定排版展示，而非结构化存储文本。文本可能被拆分为零散的排版单元，复杂字体、特殊排版还可能导致识别错乱，即便用最优的提取库，也难以做到100%准确，容易出现文本顺序混乱、内容缺失或乱码问题，和你猜测的一致。

内容的提问来源于stack exchange，提问作者Olli