Převodník PDF na XML – strukturované XML s OCR, zdarma

Jak převést PDF do XML

Přidejte své PDF – Přetáhněte soubor do pole výše nebo klikněte na „Vybrat soubor PDF“.
Vyberte stránky – Ponechte „all“ nebo zadejte do pole „Stránky k převodu“ stránky, například 1-5, 7 – případně klikněte na náhledy.
Zvolte strukturu – V části „Struktura výstupu“ vyberte „Strukturovaný: nadpisy, odstavce, seznamy, tabulky“, „Prostý text po stránkách“, „Řádky textu s pozicemi“ nebo „Pouze informace o dokumentu a stránkách“. Pro naskenované stránky zaškrtněte „Číst naskenované stránky pomocí OCR“ a zvolte jazyk.
Převeďte a uložte – Klikněte na „Převést do XML“ a poté na „Stáhnout .xml“ nebo „Kopírovat XML“.

Co získáte

Správně utvořený XML 1.0 – UTF-8, speciální znaky escapované a znaky, které XML nepovoluje, odstraněné. Soubor se před stažením zkontroluje.
Struktura v pořadí čtení – Každá stránka obsahuje prvky heading (s úrovní), paragraph, list s prvky item a jednoduché prvky table s řádky a buňkami. Dvousloupcové stránky se čtou sloupec po sloupci.
Informace o dokumentu – Název a velikost souboru, počet stránek, verze PDF, název, autor, předmět, klíčová slova, aplikace, producent, data a jazyk, pokud je PDF obsahuje.
Pozice a odkazy – Volitelně x, y, šířka a výška každého bloku, nebo každý řádek textu s pozicí a velikostí písma, a k tomu webové odkazy na každé stránce.
OCR pro naskenované stránky – Stránky bez textu lze rozpoznat ve vašem prohlížeči ve 22 jazycích; XML je označí atributem source="ocr" a spolehlivostí rozpoznání.

Kdy se to hodí

Zpracování textu mnoha zpráv pomocí XSLT, XPath nebo libovolného programovacího jazyka.
Načtení obsahu PDF do databáze, systému pro správu obsahu nebo vyhledávacího indexu.
Zjištění, kde se text na stránce nachází, například pro kontrolu rozvržení nebo extrakci polí.
Potřebujete raději JSON? Použijte PDF do JSON.

Dobré vědět

Na prvky table se převedou jen zřetelně zarovnané tabulky; tabulky se sloučenými buňkami zůstanou jako odstavce. Obrázky, písma a barvy nejsou zahrnuty.
OCR je pomalejší než čtení textu a může dělat chyby; jazyková data se stahují při prvním použití.
Nadpisy se rozpoznávají podle většího textu; tučný text v běžné velikosti se za nadpis nepovažuje.
Vše běží ve vašem prohlížeči – vaše PDF se nenahrává na náš server. PDF chráněná heslem je nutné nejprve odemknout.

PDF do XML – Časté dotazy

Jak převedu PDF do XML?

Přidejte PDF, vyberte stránky a strukturu výstupu, klikněte na „Převést do XML“ a stáhněte soubor .xml.

Jak XML vypadá?

Prvek document se sekcí metadat a prvkem pages. Každá stránka má své číslo, velikost a počet znaků a obsahuje prvky heading, paragraph, list a table – nebo prvky text či line, podle zvolené struktury.

Mohu převést naskenované PDF?

Ano. Zaškrtněte „Číst naskenované stránky pomocí OCR“ a zvolte jazyk dokumentu. Stránky, které již text obsahují, se převedou přímo.

Převádějí se tabulky na tabulky XML?

Jednoduché tabulky se zřetelně zarovnanými řádky a sloupci se stanou prvky table s prvky row a cell. Složité tabulky zůstanou jako odstavce.

Mohu získat souřadnice textu?

Ano. Zaškrtněte možnost pozice pro bloky, nebo zvolte „Řádky textu s pozicemi“. Hodnoty jsou v bodech PDF od levého horního rohu stránky.

Nahrává se můj soubor na server?

Ne. Převod včetně OCR probíhá ve vašem prohlížeči, takže PDF zůstane ve vašem zařízení.

Je to zdarma?

Ano – bez registrace a bez vodoznaku.

Související nástroje: PDF do JSON, PDF do YAML a XML do PDF pro převod XML na PDF k tisku.

Prozkoumejte kompletní sbírku nástrojů v Nástroje pro data PDF.

Převodník PDF do XML

⚙️ Možnosti převodu

🧾 Výstup XML

Co byste chtěli udělat dále?