Это понятно. Но задача стоит такая какая стоит...А перегнать все эти статьи в small size, и дать на них ссылки на сайте? Я бы так и сделал. И вобще, убедить шефа в том, чтоб самому меньше париться, - это ж святое дело!
Еще раз повторяю - нормальные работают именно как OCR, поскольку универсальная задача перевода из PDF в плоский текст - искусственный интеллект. Попробуйте каким-нибудь файнридером подобное сделать - сразу увидите сколько подводных камней выползет. А вам придется это сделать перво-наперво по любому, ибо автоматом нормально не получится.
Если там многолетняя подшивка газеты, то может запросто оказаться, что некоторые номера просто сосканированы и в PDF переведены. Или в тех же кривых.
Открывается в чём версталось и гонится экспортом в PDF или печатью на принтер Adobe PDF(или др. принтер "гонящий" пдф). Пять минут делов для одного номера... Все равно быстрее чем выкусывать куски пдф и верстать html.
В акробате есть встроенная фишка OCR для поиска по сканированным документам(прекрасно работает с русским в 9 и Х версии). Так что и эта твоя проблема - надуманная.
Ну так вопрос не про твоё ПО
