大多数PDF看起来，PDF里面包含了完美的文本结构。但是，实际上，PDF的原始结构中不包含任何的，类似于段落的结构，句子的结构和词的结构。我们在网页上看到一个段落，实际上是由P标签包含的一个段落，但在PDF中不是这样的。PDF的代码信息中，没有这样的标签。
当在pdf中出现一段文本，pdf文件只知道文本中每个字以及每个字出现的位置。
如果想从pdf中抽取一段有意义的文本，就变的很困难，因为pdf只告诉你每个字出现的位置。不像在html中，我们用p标签，div标签，就可以获取一个文本框。pdf中，是没有这些标签的。
在pdf中，段落中的文字，表格中的文字，页脚的文字，描述图片的文字，都是一样的。
txt文件和word文件都包含字符串流，但是pdf中没有字符串流。我们写word，从头写到尾，就是一个文本流；但pdf是把字一个一个贴上去的，只要贴的位子正确，不按照顺序也可以。
一个pdf文档是由一系列的对象组成，有的对象描述pdf一页，有的对象描述pdf中的几页，这些对象中也有一些附加的交互信息和高级的应用数据。pdf文件中包含的这些object，使pdf文档拥有了相关的结构化信息，这些结构化信息表示为一个独立字节序列。
参考文献：Adobe System Inc. (2007). Pdf reference: Adobe portable document format, version 1.7.
