Или есть еще какие-то варианты?

Твой вариант нормален.

Ну то есть другие варианты технически есть, но это извращения.

Вытащить текст из пдф луями — не шибко сложная задача, я с этим справлялся года четыре назад.

Придется, видимо, руками чистить конечные ПДФки от мусора, но, наверное, это не так страшно

Да тут онлайновых сервисов дофига, они вроде нормальный плейн отдают

Ой, да ну. Внутри пдф есть блоки с закодированным текстом, в каждом блоке (и в конце пдф) есть словари трансляции некоторых кодов символов в символы из словаря. Вытаскиваешь блок с текстом, gsub'аешь по содержимому словаря текущего блока и словаря в конце файла, получаешь текст. Это не точно (ибо давно было), но очень похоже. И быстрее в десять тысяч раз чем пользоваться сервисами. Хотя если на время пофигу — пофигу.

Да это понятно. Просто особо разницы нет

Что я кодом текст получу, что готовым сервисом

Суть задачи тут не в этом. Всё равно придется его редачить на уровне плейна/вырезать ненужное из ПДФки

Возможно, второе проще

Ну, тут стоило сформировать нормальное тз. Просто вытащить данные из пдфа — просто. С другой стороны, вырезать ненужное из пдфки без раскодирования — может быть довольно стрёмно, ибо ты не знаешь что конкретно вырезаешь.

Ну, в общем, как к этому подойти – понял

Дальше дело техники, спасибо

На тему вытаскивания текста из пдф была статья на хабре https://habr.com/ru/post/69568/

Да, я её читал когда сам парсил пдфки ))

А, словари трансляции нужны как раз для юникода. Если там чисто ascii — такие извращения не нужны

Хм, можно еще распарсить PDF’ку в JSON

Учитывая однородность оформления списков

И потом уже сильно упростить себе жизнь