为何Word能精准识别PDF结构？是否有同类Python库实现？

我研究PDF解析已有一段时间，成效各异。通常PDF中的有用数据位于表格外的文本中，但提取数据时需保证语句完整。

我发现当前效果最佳的方式是用Word打开PDF再提取内容，但这一方案不够严谨，且识别并非总能准确。我深知PDF解析难度不小，但惊讶于暂无类似Word的工具/库，可识别完整语句及粗体、字号等格式。

像XPDF reader这类命令行工具能快速生成文本并保留布局，但无法识别语句断裂——毕竟PDF本质上只是页面上无关联的文字块。这显然难度不小，但我不禁疑问：Word为何能做到如此出色（虽非100%准确，但仍是我见过最佳的）？既然Word能实现，是否已有Python库或同类工具具备该功能？

如今虽有各类AI API尝试实现类似功能，但我更希望工具能满足以下需求：

• 处理任意PDF，像Word打开PDF一样识别完整语句
• 检测粗体、字号等格式（可仅在语句旁标注标签）
• 导出为文本文件

后续我计划利用导出的文本文件，搜索带粗体标签的标题，捕获标题间文本，再通过关键词及regex提取相关内容。

内容的提问来源于stack exchange，提问作者Nick