Extraktovanie textu z PDF

Ahojte chalani,

mám jeden off-topic. Parsujeme zmluvy, ktoré sú na www.crz.gov.sk a vyťahujeme z nich potrebné informácie. Používal som triedu http://pastebin.com/dvwySU1a ktorá bola funkčná, ale nie na všetky PDF. Niektoré PDF sú inej verzie a text nie je 100% správne vytiahnutý a potom neprebehne správne regex.

Požiadal som o pomoc „kamaráta kamaráta“ a dostal som odkaz na jeho git knižnicu, ktorú napísal pre náš konkrétny prípad https://github.com/…ak/pdf2email . Používa poppler-utils, ktoré sú dostupné len na linux a v tejto sfére som zatiaľ dosť mimo. Nepodarilo sa mi nájsť žiadnu inú PHP knižnicu a taktiež neviem ako rozbehať tento „linux“ prípad.

Nenašiel by sa nejaký nápad alebo odporúčanie na knižnicu ako na to, alebo iná forma pomoci?

Ďakujem.

Príklad:
Zmluva https://www.crz.gov.sk/index.php?… vlavo ZMLUVA PDF
Na zmluvu je aplikovaný regex:

<?php
$regex = "/[a-zA-Z0-9\.\-\_]*@[a-zA-Z0-9\.\-\_]*/i";
?>

Po extrahovaní textu cez php knižnicu dostanem výsledok „@“
Po použíti pdftotext z poppler-utils dostanem správne vrátení e-mail "jjj.figurova@gmail.com"