pdfの文字列変換（下線・取り消し線付き）

Question

###前提・実現したいこと
python、php等でpdfのテキスト変換を行う際、特に下線等の抽出方法についてご存知の方がいたら教えて頂けませんでしょうか。
可能であればhtmlのように<u>タグで囲む等、どこからどこまでが下線有りなのか分かる状態が良いです。

###試したこと１
１．エクセルファイルで下線付きの文字列をPDF変換
２．python：pdfminerでテキスト抽出
結果：下線無し

###試したこと２
１．エクセルファイルで下線付きの文字列をPDF変換
２．PDF上で文字選択してエクセルに貼り付け
結果：下線無し
→　下線はPDF変換した時にどんな扱いなのか益々不明に。

Answer 1

PDFはバイナリなので、HTMLに変換するのはかなり限られます。また、海外製のプログラムなどは日本語フォントの問題もあったりします。

C++やJavaなどいろいろインストールしなければならないので、セットアップが面倒ですが下記のpdf2htmlEXというツールがあります。Windowsのみでよければバイナリもあります。フォントによりますが、いちおう日本語フォントも使えます。
https://github.com/coolwanglu/pdf2htmlEX/wiki

• Windowsバイナリ
• インストール方法
• 使い方

HTMLを作ることが目的ではない場合、質問の<u>のような下線の認識はできません。
https://github.com/coolwanglu/pdf2htmlEX/wiki/Reflowable-Text#text-that-should-not-be-reflowed

Windowsバイナリの最新版であれば下記のように試すことができます。

cd ZIPファイル展開したディレクトリパス
pdf2htmlEX.exe PDFファイル

//高解像度
pdf2htmlEX.exe --fallback 1 PDFファイル

上記のようにすると、PDFファイル名で拡張子が.htmlのファイルが同じディレクトリに出来上がります。

Comments

[poko_poko]

回答ありがとうございます。
下線付きPDFを「ここは下線有り」とわかる状態でテキスト出力したかったのですが
下線認識は色々とハードルが高そうですね。

[Tomak]

検索もしてみたのですが、下線を下線として認識するのは非常に難しいらしいです。多分解像度の問題なのだと思います。高解像度処理してしまうとパフォーマンスが悪すぎますし。
pdf2htmlEXでは、下線などの飾りはすべて透過PNG画像になって表示されているので、HTMLページとしてブラウザで見た時にはきちんと元のPDFと同じように表示されます。

[poko_poko]

PDF→テキストでの下線部判定は一旦諦めることにします。
色々とありがとうございました。
ベストアンサーとさせて頂きます。