Da PDF eine Seitenlayoutsprache ist und keine Textauszeichnungssprache könnte es, je nach Struktur der vorliegenden PDF-Dateien, ziemlich problematisch werden, den Text so zu extrahieren, dass die logische Aufteilung in Absätze und Sätze erhalten bleibt. Erfahrungsgemäß liefern Werkzeuge wie pdf2text bisweilen nämlich nur Zeichensalat.