Herramientas para extraer texto de archivos PDF

Algunos casos de uso en los que se requiera extraer texto de archivos pdf pueden ser:

ejecutar análisis de curriculums vitae (hojas de vida)
para permitir la búsqueda por contenidos en un archivo
obtención de los datos de contacto de empresas desde boletas o facturas de pago
conversión a un formato más amigable para su presentación en la web (html) entre otros

A continuación, 3 herramientas que se pueden utilizar para extraer texto de archivos PDF:

1. PDFMiner (python):

Enlace: pdfminer-six

** Instalación **:

pip install pdfminer.six

** Uso **:

pdf2txt.py archivo.pdf

** Características resaltantes **:

Apache tika es una herramienta que extrae metadatos y texto desde varios formatos como: doc, ppt, xls, pdf entre otros

** Enlace **: apache-tika

** Instalación y uso **:

Se requiere contar con java instalado, descargar tika y ejecutarlo de forma similar a:

java -jar tika-server.jar

** Características **

reconoce múltiples formatos de entrada
permite escoger el formato de salida: txt, xml, html
extracción de metadata: cantidad de páginas, versión de pdf, extensión del documento, número de páginas entre otros.
cuenta con una herramienta gráfica: tika-app.jar que se puede utilizar para realizar pruebas de forma rápida
existe un wrapper para utilizarlo con python: tika-python

Herramienta para extraer pdf incluida por defecto en varias distribuciones linux.

** Documentación **: pdftotext

** Uso **

pdftotext documento.pdf

Con lo anterior, se crea el archivo: documento.txt

** Características **

En general, quien me ha brindado mejores resultados para pdf's complejos ha sido apache tika y pdftotext para documentos sencillos.
Si lo que se busca es extraer imágenes de un PDF, en mi caso PDFBox me ha dado buenos resultados también.

Tools for Extracting Data and Text from PDFs - A Review: tools-for-extracting-data