Ir al contenido principal
PPDF123

Convertir PDF a XML

PDF a XML importa un PDF con LibreOffice y devuelve un archivo XML de estilo Office. Es una exportación de texto y maquetación aproximada, no una copia de la estructura ni de las etiquetas del PDF.

Arrastra archivos aquí, o haz clic para elegir

Admite PDF · hasta 500.0 MB por archivo · hasta 20 archivos a la vez

También puedes pegar un archivo con Ctrl/Cmd+V o desde el menú del portapapeles.

PDF a XML mete el archivo en LibreOffice `writer_pdf_import` con `outputFormat=xml`. La descarga es un documento XML al estilo Office (`octet-stream`), no una reconstrucción de los flujos de contenido del PDF ni de la estructura de un PDF etiquetado.

Es la misma familia de importación de LibreOffice que PDF a Word, pero apuntando a XML en lugar de DOCX. Maquetación, tablas y fuentes son de mejor esfuerzo. Un escaneo sin capa de texto se importa como imágenes o fragmentos vacíos.

Esta página no tiene opciones. Los archivos protegidos con contraseña se descifran por ti en esta página cuando introduces la contraseña; quien use la API debe pasar antes por Quitar contraseña. El Markdown del OCR no entra aquí.

Si quieres filas de una tabla, PDF a CSV es la heurística de maquetación adecuada. Si solo quieres palabras, PDF a RTF (texto) es más ligero.

La salida es un único archivo XML. Describe un documento tal como lo entiende una suite ofimática: párrafos, fragmentos de texto, estilos y las imágenes incrustadas. No describe el PDF en sí, así que no encontrarás en él objetos de página, fuentes tal como las guardaba el PDF ni los operadores originales del flujo de contenido.

Decide según lo que espere tu siguiente programa. Si un proceso ya lee XML de LibreOffice u Office, esta es una entrada directa. Si quieres leer las palabras en un script, el texto plano es más sencillo. Si quieres editar la maquetación, convierte mejor a Word y abre el archivo en un editor.

Como el importador reconstruye párrafos a partir de texto posicionado, los saltos de línea dentro de un párrafo, las columnas, los encabezados y los pies de página pueden quedar en una estructura distinta de la que dibujaría una persona. Trata el XML como un primer borrador que hay que revisar, no como un espejo fiel del PDF.

Funciones

  • LibreOffice `writer_pdf_import` a XML
  • No es un volcado de la estructura PDF ni OCR
  • Sin intervalo de páginas ni opciones de esquema
  • API anónima: /api/v1/convert/pdf/xml

Cuándo usarla

  • Entregar un PDF nacido digital a un proceso que ya consume XML de Office
  • Ver cómo ha segmentado LibreOffice el documento
  • Sacar un borrador XML cuando DOCX no es el siguiente paso adecuado
  • Comparar cómo se estructuraron dos exportaciones del mismo documento haciendo diff de su XML
  • Llevar texto a nivel de párrafo con los nombres de estilo a un script que ya conoce el vocabulario del XML de Office

¿Cómo convierto un PDF a XML?

  1. Sube un PDF con texto.
  2. Pulsa Procesar. Esta página no tiene opciones de formato.
  3. Descarga el archivo `.xml`.
  4. Ábrelo en LibreOffice o en un editor y trátalo como borrador.
  5. Busca en el XML algunas palabras características del PDF. Si no las encuentras, probablemente el PDF no tiene capa de texto y debes pasar antes el OCR.
  6. Revisa los puntos de maquetación más difíciles, como columnas, tablas y notas al pie, antes de pasar el XML a cualquier proceso automático.

Límites y casos límite

  • No es extracción de PDF etiquetado ni de XFDF/XFA
  • No es OCR
  • Las tablas y la paginación no coincidirán con el PDF
  • Las fuentes se nombran pero no se incrustan
  • Los archivos muy grandes o complejos pueden fallar o tardar mucho, porque primero se importa el documento entero
  • Límite de subida en este sitio web: 500 MB por archivo, enviado por partes a partir de unos 95 MB. El cuerpo de una sola petición directa a la API está limitado a 100 MB.

Ejemplos

  • Un memorándum de dos páginas solo con texto, de un procesador de textos: el XML contiene los párrafos con sus estilos, y al buscar una frase del memorándum se encuentra
  • Una página de revista a tres columnas: espera que el texto siga el orden en que el importador lee la página, que puede mezclar columnas, así que revisa el orden
  • Un escaneo de 30 páginas sin capa de texto: el XML contiene sobre todo referencias a imágenes, y el siguiente paso es el OCR
  • Un memorándum de texto suele convertirse en un archivo XML de Office grande con fragmentos de párrafo
  • Un PDF que es solo escaneo suele dar un XML que envuelve sobre todo imágenes

Privacidad de esta herramienta

Los archivos se suben por HTTPS, se procesan en memoria o en un directorio temporal de corta duración en nuestros servidores, y se eliminan cuando el resultado está listo. No conservamos copias para consultarlas después, entrenar modelos ni crear perfiles publicitarios. Consulte la Política de privacidad para los plazos de retención y las cookies de AdSense.

Preguntas frecuentes

¿Conserva el XML mis tablas?
Puede conservar una tabla cuando el importador reconoce la maquetación como tal, pero la paginación y los límites de las celdas son de mejor esfuerzo. Si el objetivo son filas y columnas, PDF a CSV es la herramienta más directa.
¿Por qué el archivo es mucho mayor que el PDF?
El XML de Office detalla en texto cada párrafo, fragmento y estilo, y se pueden incrustar imágenes, así que la salida puede pesar más que el original. Es una propiedad del formato, no una señal de error.
¿Funciona con un documento escaneado?
No de forma útil. Sin capa de texto no hay nada que importar salvo imágenes de página. Pasa primero el OCR para obtener una versión de texto y convierte después esa.
¿Puedo obtener las etiquetas de un PDF etiquetado?
No. El árbol de etiquetas de un PDF accesible no se exporta. La estructura del XML procede de las conjeturas de maquetación del importador.
¿Qué hago si falla la conversión?
Pasa el PDF por Reparar PDF y vuelve a ejecutar la conversión. Si sigue fallando, puede que el archivo esté dañado más allá de lo que el importador puede leer.
¿Se conservan las fuentes?
Los nombres de fuente se llevan como estilos cuando el importador puede leerlos, pero la salida no incrusta los archivos de fuente, así que el XML se mostrará con sustitutas si la fuente no está instalada.
¿Es el XML interno del PDF?
No. Es LibreOffice exportando el documento importado a XML, no el árbol de objetos del PDF.
¿Por qué un escaneo sale casi vacío?
LibreOffice no tiene texto que importar. Para sacar palabras de los píxeles, usa OCR a Markdown.
¿Puedo elegir otro dialecto XML?
No. El conversor fija outputFormat en xml por defecto y solo admite ese valor en esta ruta.
¿En qué se diferencia de PDF a Word?
El importador es el mismo; la salida, no. PDF a Word da docx, doc u odt. Esta ruta da xml.

Última actualización:

Llámalo desde el código

Cada herramienta del sitio es un endpoint REST. Para uso anónimo no hace falta cuenta ni clave de API. Sirve igual para el navegador, para desarrolladores y para agentes de IA.

curl -X POST "https://pdf123.xyz/api/v1/convert/pdf/xml" \
  -F "[email protected]" \
  -o output.pdf

También está disponible como herramienta MCP para clientes de agentes que hablan Model Context Protocol (JSON-RPC 2.0 por POST /mcp). Referencia completa de la API

Úsalo desde un agente de IA

Skill

Con esta skill, Claude Code, Codex, Cursor y otros agentes de IA pueden usar «PDF a XML» por ti: /skills/pdf123-pdf-to-xml.md

Todas las skills para agentes

Los archivos se usan solo para este trabajo y se borran automáticamente después.