Μετατροπή PDF σε XML
Το PDF σε XML εισάγει ένα PDF μέσω LibreOffice και επιστρέφει αρχείο XML τύπου Office. Είναι εξαγωγή κειμένου και διάταξης κατά προσέγγιση, όχι αντίγραφο της δομής ή των ετικετών του PDF.
Σύρετε και αφήστε αρχεία εδώ ή κάντε κλικ για επιλογή
Δέχεται PDF · έως 500.0 MB ανά αρχείο · έως 20 αρχεία τη φορά
Μπορείτε επίσης να επικολλήσετε ένα αρχείο με Ctrl/Cmd+V ή από το μενού του προχείρου.
Το PDF σε XML στέλνει το αρχείο στο LibreOffice `writer_pdf_import` με `outputFormat=xml`. Αυτό που κατεβάζετε είναι ένα έγγραφο XML σε στυλ Office (`octet-stream`), όχι αναδόμηση των ροών περιεχομένου του PDF ή της δομής ενός tagged PDF.
Είναι η ίδια οικογένεια εισαγωγής του LibreOffice με το PDF σε Word, με στόχο XML αντί για DOCX. Η διάταξη, οι πίνακες και οι γραμματοσειρές είναι βέλτιστης προσπάθειας. Οι σαρώσεις χωρίς επίπεδο κειμένου εισάγονται ως εικόνες ή κενά τμήματα κειμένου.
Σε αυτή τη σελίδα δεν υπάρχουν επιλογές. Τα αρχεία με κωδικό ξεκλειδώνονται για εσάς σε αυτή τη σελίδα μόλις εισαγάγετε τον κωδικό· οι χρήστες API εκτελούν πρώτα «Αφαίρεση κωδικού». Το Markdown του OCR δεν μπορεί να σταλεί εδώ.
Αν χρειάζεστε γραμμές από έναν πίνακα, το PDF σε CSV είναι η ευρετική μέθοδος διάταξης. Αν χρειάζεστε μόνο τις λέξεις, το PDF σε RTF (κείμενο) είναι πιο ελαφρύ.
Η έξοδος είναι ένα ενιαίο αρχείο XML. Περιγράφει ένα έγγραφο όπως το καταλαβαίνει μια σουίτα γραφείου: παραγράφους, τμήματα κειμένου, στυλ και τυχόν ενσωματωμένες εικόνες. Δεν περιγράφει το ίδιο το PDF, οπότε δεν θα βρείτε μέσα του αντικείμενα σελίδας, γραμματοσειρές όπως τις αποθήκευσε το PDF ή τους αρχικούς τελεστές της ροής περιεχομένου.
Αποφασίστε με βάση το τι περιμένει το επόμενο πρόγραμμά σας. Αν μια αλυσίδα επεξεργασίας διαβάζει ήδη XML του LibreOffice ή του Office, αυτό είναι άμεση είσοδος. Αν θέλετε να διαβάσετε τις λέξεις σε ένα script, το απλό κείμενο είναι πιο εύκολο. Αν θέλετε να επεξεργαστείτε τη διάταξη, μετατρέψτε το σε Word και ανοίξτε το αρχείο σε έναν επεξεργαστή.
Επειδή ο εισαγωγέας ανασυνθέτει παραγράφους από κείμενο με συγκεκριμένες θέσεις, οι αλλαγές γραμμής μέσα σε μια παράγραφο, οι στήλες, οι κεφαλίδες και τα υποσέλιδα μπορεί να τοποθετηθούν σε δομή διαφορετική από αυτήν που θα σχεδίαζε ένας άνθρωπος. Θεωρήστε το XML μια πρώτη προσέγγιση προς έλεγχο και όχι πιστό καθρέφτη του PDF.
Λειτουργίες
- LibreOffice `writer_pdf_import` σε XML
- Όχι απόρριψη δομής PDF και όχι OCR
- Χωρίς επιλογές εύρους σελίδων ή σχήματος
- Ανώνυμο API: /api/v1/convert/pdf/xml
Πότε το χρησιμοποιείτε
- Τροφοδοσία ενός PDF ψηφιακής προέλευσης σε αλυσίδα επεξεργασίας που ήδη διαβάζει XML του Office
- Επιθεώρηση του πώς το LibreOffice διέσπασε το έγγραφο σε στοιχεία
- Πρόχειρο XML όταν το DOCX δεν είναι το σωστό επόμενο βήμα
- Σύγκριση του πώς δομήθηκαν δύο εξαγωγές του ίδιου εγγράφου, με diff των εξόδων XML
- Άντληση κειμένου σε επίπεδο παραγράφου, μαζί με ονόματα στυλ, σε ένα script που ήδη γνωρίζει το λεξιλόγιο του XML του Office
Πώς μετατρέπω ένα PDF σε XML;
- Ανεβάστε ένα PDF βασισμένο σε κείμενο.
- Πατήστε «Εκτέλεση». Σε αυτή τη σελίδα δεν υπάρχουν επιλογές μορφής.
- Κατεβάστε το αρχείο `.xml`.
- Ανοίξτε το στο LibreOffice ή σε έναν επεξεργαστή και θεωρήστε το προσχέδιο.
- Αναζητήστε στο XML μερικές χαρακτηριστικές λέξεις από το PDF. Αν δεν τις βρίσκετε, το PDF πιθανότατα δεν έχει επίπεδο κειμένου και πρέπει να κάνετε πρώτα OCR.
- Ελέγξτε τα σημεία όπου η διάταξη είναι πιο δύσκολη, όπως στήλες, πίνακες και υποσημειώσεις, πριν δώσετε το XML σε οτιδήποτε αυτοματοποιημένο.
Όρια και ειδικές περιπτώσεις
- Όχι εξαγωγή tagged PDF ή XFDF/XFA
- Όχι OCR
- Οι πίνακες και η σελιδοποίηση δεν θα ταιριάζουν με το PDF
- Οι γραμματοσειρές κατονομάζονται αλλά δεν ενσωματώνονται
- Πολύ μεγάλα ή σύνθετα αρχεία μπορεί να αποτύχουν ή να αργήσουν, επειδή πρώτα εισάγεται ολόκληρο το έγγραφο
- Όριο ανεβάσματος σε αυτόν τον ιστότοπο: 500 MB ανά αρχείο, με αποστολή σε τμήματα πάνω από περίπου 95 MB. Το σώμα ενός μεμονωμένου άμεσου αιτήματος API περιορίζεται στα 100 MB.
Παραδείγματα
- Ένα σημείωμα δύο σελίδων μόνο με κείμενο από επεξεργαστή κειμένου: το XML περιέχει τις παραγράφους με τα στυλ τους, και αν αναζητήσετε μια πρόταση του σημειώματος, τη βρίσκετε
- Μια σελίδα περιοδικού με τρεις στήλες: περιμένετε το κείμενο να ταξινομηθεί σύμφωνα με την ανάγνωση της σελίδας από τον εισαγωγέα, που μπορεί να αναμείξει τις στήλες, γι' αυτό ελέγξτε τη σειρά
- Μια σάρωση 30 σελίδων χωρίς επίπεδο κειμένου: το XML περιέχει κυρίως αναφορές σε εικόνες, και το επόμενο βήμα είναι το OCR
- Ένα κειμενικό σημείωμα συχνά γίνεται μεγάλο αρχείο XML του Office με τμήματα παραγράφων
- Ένα PDF μόνο με σάρωση συχνά γίνεται XML που κυρίως τυλίγει εικόνες
Απόρρητο για αυτό το εργαλείο
Τα αρχεία ανεβαίνουν μέσω HTTPS, επεξεργάζονται στη μνήμη ή σε βραχύβιο προσωρινό κατάλογο στους διακομιστές μας και διαγράφονται όταν το αποτέλεσμα είναι έτοιμο. Δεν κρατάμε αντίγραφα για μετέπειτα περιήγηση, εκπαίδευση μοντέλων ή διαφημιστικά προφίλ. Οι λεπτομέρειες διατήρησης και οι γνωστοποιήσεις για cookie του AdSense βρίσκονται στην Πολιτική απορρήτου.
Συχνές ερωτήσεις
- Κρατά το XML τους πίνακές μου;
- Μπορεί να κρατήσει έναν πίνακα όταν ο εισαγωγέας αναγνωρίσει τη διάταξη ως πίνακα, αλλά η σελιδοποίηση και τα όρια των κελιών είναι βέλτιστης προσπάθειας. Αν στόχος είναι γραμμές και στήλες, το PDF σε CSV είναι το πιο άμεσο εργαλείο.
- Γιατί το αρχείο είναι πολύ μεγαλύτερο από το PDF;
- Το XML του Office γράφει με κείμενο κάθε παράγραφο, τμήμα και στυλ, και οι εικόνες μπορεί να ενσωματώνονται, οπότε η έξοδος μπορεί να είναι μεγαλύτερη από την πηγή. Αυτό είναι ιδιότητα της μορφής, όχι ένδειξη σφάλματος.
- Θα δουλέψει για σαρωμένο έγγραφο;
- Όχι με χρήσιμο τρόπο. Χωρίς επίπεδο κειμένου δεν υπάρχει τίποτα για εισαγωγή εκτός από εικόνες σελίδων. Κάντε πρώτα OCR για να πάρετε μια εκδοχή με κείμενο και μετά μετατρέψτε εκείνη.
- Μπορώ να πάρω τις ετικέτες ενός tagged PDF;
- Όχι. Το δέντρο ετικετών ενός προσβάσιμου PDF δεν εξάγεται. Η δομή στο XML προέρχεται από τις εικασίες διάταξης του εισαγωγέα.
- Τι να κάνω αν αποτύχει η μετατροπή;
- Δοκιμάστε την «Επισκευή PDF» στο PDF και εκτελέστε ξανά τη μετατροπή. Αν αποτύχει και πάλι, το αρχείο μπορεί να είναι κατεστραμμένο πέρα από όσα μπορεί να διαβάσει ο εισαγωγέας.
- Διατηρούνται οι γραμματοσειρές;
- Τα ονόματα γραμματοσειρών μεταφέρονται ως στυλ όταν ο εισαγωγέας μπορεί να τα διαβάσει, αλλά η έξοδος δεν ενσωματώνει τα αρχεία γραμματοσειρών, οπότε το XML θα εμφανιστεί με αντικαταστάτες αν η γραμματοσειρά δεν είναι εγκατεστημένη.
- Είναι αυτό το εσωτερικό XML του PDF;
- Όχι. Είναι το LibreOffice που εξάγει το εισαγμένο έγγραφο ως XML, όχι το δέντρο αντικειμένων του PDF.
- Γιατί μια σάρωση βγαίνει σχεδόν κενή;
- Το LibreOffice δεν έχει κείμενο να εισαγάγει. Χρησιμοποιήστε το OCR σε Markdown για λέξεις από pixel.
- Μπορώ να επιλέξω άλλη παραλλαγή XML;
- Όχι. Ο μετατροπέας ορίζει ως προεπιλογή το outputFormat σε xml και σε αυτή τη διαδρομή επιτρέπει μόνο αυτή την τιμή.
- Σε τι διαφέρει από το PDF σε Word;
- Ίδιος εισαγωγέας, διαφορετική έξοδος. Το Word δίνει docx/doc/odt. Αυτή η διαδρομή δίνει xml.
Τελευταία ενημέρωση:
Κλήση από κώδικα
Κάθε εργαλείο στον ιστότοπο είναι ένα απλό REST API. Για ανώνυμη χρήση δεν χρειάζεται λογαριασμός ούτε κλειδί API. Ίδιο για πρόγραμμα περιήγησης, προγραμματιστές και πράκτορες AI.
curl -X POST "https://pdf123.xyz/api/v1/convert/pdf/xml" \
-F "[email protected]" \
-o output.pdfΔιατίθεται και ως εργαλείο MCP, για πελάτες που μιλούν Model Context Protocol (JSON-RPC 2.0 μέσω POST /mcp). Πλήρης αναφορά API
Χρήση από πράκτορα AI
SkillΜε αυτό το skill, τα Claude Code, Codex, Cursor και άλλοι πράκτορες AI μπορούν να εκτελέσουν το «PDF σε XML» για εσάς: /skills/pdf123-pdf-to-xml.md
Τα αρχεία χρησιμοποιούνται μόνο για αυτή την εργασία και διαγράφονται αυτόματα μετά.