Aunque no soy un experto en este campo para discutirlo, busqué en la web para obtener algo relevante a este respecto:
Vea esta respuesta una persona ‘Luca’ publicada en Cómo leer formatos de texto comunes (Word, PDF, RTF, Excel). Espero que te ayude hasta cierto punto. Gracias.
Existen varias herramientas que pueden extraer texto de un formato de datos específico.
Sin embargo, el asunto podría no ser completamente fácil de hacer ya que no todos los autores permiten que se extraiga el contenido …
por ejemplo, hay PDF donde no se permite copiar el texto (según lo decidan los autores),
o donde no hay texto ya que son “imágenes escaneadas” (esto sucede mucho en el dominio de la patente pero solo solo).
Más en general, sugeriría unir las capacidades de procesamiento de texto externo como están disponibles, por ejemplo, con el marco UIMA, con el poderoso flujo de trabajo y las capacidades de minería de datos que ofrece Knime y de esta manera no “reinventar la rueda” de NER y hallazgos relacionales, sino aprovechar los mejores disponibles …
Espero que esto te ayude (y al equipo de Knime).
luca