Convertor PDF în XML

Cum să convertiți PDF în XML

Adăugați PDF-ul – Plasați fișierul în caseta de mai sus sau faceți clic pe „Selectați fișierul PDF”.
Alegeți paginile – Păstrați „all” sau introduceți pagini precum 1-5, 7 la „Pagini de convertit” – ori faceți clic pe miniaturi.
Alegeți structura – La „Structura rezultatului”, alegeți „Structurat: titluri, paragrafe, liste, tabele”, „Text simplu pe pagină”, „Rânduri de text cu poziții” sau „Doar informații despre document și pagini”. Pentru paginile scanate, bifați „Citiți paginile scanate cu OCR” și alegeți limba.
Convertiți și salvați – Faceți clic pe „Convertiți în XML”, apoi pe „Descărcați .xml” sau „Copiați XML”.

Ce obțineți

XML 1.0 bine format – UTF-8, caracterele speciale precedate de escape și caracterele pe care XML nu le permite eliminate. Fișierul este verificat înainte de descărcare.
Structură în ordinea de citire – Fiecare pagină conține elemente heading (cu nivel), paragraph, list cu elemente item și elemente table simple cu rânduri și celule. Paginile cu două coloane sunt citite coloană cu coloană.
Informații despre document – Numele și dimensiunea fișierului, numărul de pagini, versiunea PDF, titlul, autorul, subiectul, cuvintele cheie, aplicația de creare, producătorul, datele și limba, atunci când PDF-ul le conține.
Poziții și linkuri – Opțional, coordonatele x, y, lățimea și înălțimea fiecărui bloc sau fiecare rând de text cu poziția și dimensiunea fontului, plus linkurile web de pe fiecare pagină.
OCR pentru paginile scanate – Paginile fără text pot fi recunoscute în browser în 22 de limbi; XML-ul le marchează cu source="ocr" și cu nivelul de încredere al recunoașterii.

Când vă este util

Procesarea textului din numeroase rapoarte cu XSLT, XPath sau orice limbaj de programare.
Încărcarea conținutului PDF într-o bază de date, un sistem de gestionare a conținutului sau un index de căutare.
Aflarea poziției textului pe o pagină, de exemplu pentru a verifica aspectul sau pentru a extrage câmpuri.
Aveți nevoie în schimb de JSON? Folosiți PDF în JSON.

Bine de știut

Doar tabelele clar aliniate devin elemente table; tabelele cu celule îmbinate rămân paragrafe. Imaginile, fonturile și culorile nu sunt incluse.
OCR este mai lent decât citirea textului și poate face greșeli; datele de limbă sunt descărcate la prima utilizare.
Titlurile sunt recunoscute după textul mai mare; textul aldin de dimensiune normală nu este tratat ca titlu.
Totul rulează în browser – PDF-ul dumneavoastră nu este încărcat pe serverul nostru. PDF-urile protejate prin parolă trebuie mai întâi deblocate.

PDF în XML – Întrebări frecvente

Cum convertesc un PDF în XML?

Adăugați PDF-ul, alegeți paginile și structura rezultatului, faceți clic pe „Convertiți în XML” și descărcați fișierul .xml.

Cum arată XML-ul?

Un element document cu o secțiune metadata și un element pages. Fiecare pagină are numărul, dimensiunea și numărul de caractere și conține elemente heading, paragraph, list și table – sau elemente text ori line, în funcție de structura aleasă.

Pot converti un PDF scanat?

Da. Bifați „Citiți paginile scanate cu OCR” și alegeți limba documentului. Paginile care conțin deja text sunt convertite direct.

Tabelele sunt convertite în tabele XML?

Tabelele simple cu rânduri și coloane clar aliniate devin elemente table cu row și cell. Tabelele complexe rămân paragrafe.

Pot obține coordonatele textului?

Da. Bifați opțiunea de poziție pentru blocuri sau alegeți „Rânduri de text cu poziții”. Valorile sunt în puncte PDF, din stânga sus a paginii.

Fișierul meu este încărcat pe server?

Nu. Conversia, inclusiv OCR, rulează în browser, așa că PDF-ul rămâne pe dispozitivul dumneavoastră.

Este gratuit?

Da – fără înregistrare și fără filigran.

Instrumente conexe: PDF în JSON, PDF în YAML și XML în PDF pentru a transforma XML într-un PDF imprimabil.

Explorați colecția completă de instrumente din Instrumente date PDF.

⚙️ Opțiuni de conversie

🧾 Ieșire XML

Ce doriți să faceți în continuare?