Aller au contenu principal
PPDF123

Convertir un PDF en XML

PDF vers XML importe un PDF via LibreOffice et renvoie un fichier XML de type Office. C’est un export approximatif du texte et de la mise en page, pas une copie de la structure ou des balises du PDF.

Déposez des fichiers ici, ou cliquez pour les choisir

Formats acceptés : PDF · jusqu'à 500.0 MB par fichier · jusqu'à 20 fichiers à la fois

Vous pouvez aussi coller un fichier avec Ctrl/Cmd+V ou depuis le menu du presse-papiers.

PDF vers XML envoie le fichier dans LibreOffice `writer_pdf_import` avec `outputFormat=xml`. Le téléchargement est un document XML de style Office (`octet-stream`), pas une restitution du flux de contenu PDF ni de la structure d'un PDF balisé.

C'est la même famille d'import LibreOffice que PDF vers Word, avec XML comme cible au lieu de DOCX. Mise en page, tableaux et polices sont reconstruits au mieux. Un scan sans couche de texte devient des images ou des blocs vides.

Cette page n'a pas d'options. Les fichiers protégés par mot de passe sont déverrouillés pour vous sur cette page une fois le mot de passe saisi ; via l'API, passez d'abord par Retirer le mot de passe. Le Markdown de l'OCR ne peut pas être envoyé ici.

Pour des lignes de tableau, PDF vers CSV applique une heuristique de mise en page. Pour les mots seuls, PDF vers RTF (texte) donne un fichier plus léger.

La sortie est un seul fichier XML. Il décrit un document tel qu'une suite bureautique le comprend : paragraphes, portions de texte, styles et images intégrées éventuelles. Il ne décrit pas le PDF lui-même : vous n'y trouverez ni objets de page, ni polices telles que le PDF les stockait, ni opérateurs du flux de contenu d'origine.

Décidez selon ce qu'attend votre programme suivant. Si un pipeline lit déjà du XML LibreOffice ou Office, c'est une entrée directe. Pour lire les mots dans un script, le texte brut est plus simple. Pour modifier la mise en page, convertissez plutôt en Word et ouvrez le fichier dans un éditeur.

Comme l'importeur reconstruit les paragraphes à partir de texte positionné, les sauts de ligne dans un paragraphe, les colonnes, les en-têtes et les pieds de page peuvent être rangés dans une structure différente de celle qu'un humain dessinerait. Traitez le XML comme une première version à vérifier, pas comme un miroir fidèle du PDF.

Fonctions

  • LibreOffice `writer_pdf_import` vers XML
  • Ni export de structure PDF, ni OCR
  • Pas de plage de pages ni d'options de schéma
  • API anonyme : /api/v1/convert/pdf/xml

Quand utiliser cet outil

  • Livrer un PDF électronique à un pipeline qui accepte déjà du XML Office
  • Voir comment LibreOffice découpe ce document
  • Obtenir un brouillon XML quand l'étape suivante n'est pas du DOCX
  • Comparer la structure de deux exports d'un même document en comparant leurs XML avec un outil de différences
  • Extraire le texte par paragraphe, avec les noms de styles, vers un script qui connaît déjà le vocabulaire du XML Office

Comment convertir un PDF en XML ?

  1. Téléversez un PDF contenant du texte.
  2. Cliquez sur Traiter. Cette page n'a pas de choix de format.
  3. Téléchargez le fichier `.xml`.
  4. Ouvrez-le dans LibreOffice ou un éditeur et traitez-le comme un brouillon.
  5. Cherchez dans le XML quelques mots distinctifs du PDF. Si vous ne les trouvez pas, le PDF n'a probablement pas de couche de texte : passez d'abord par l'OCR.
  6. Vérifiez les endroits où la mise en page est la plus difficile, comme les colonnes, les tableaux et les notes de bas de page, avant de donner le XML à un traitement automatisé.

Limites et cas limites

  • Ni PDF balisé, ni extraction XFDF/XFA
  • Pas d'OCR
  • Tableaux et pagination ne colleront pas au PDF
  • Les polices sont nommées mais pas intégrées
  • Les fichiers très volumineux ou complexes peuvent échouer ou être longs à traiter, car le document entier est d'abord importé
  • Limite d’envoi sur ce site : 500 Mo par fichier, envoyé par morceaux au-delà d’environ 95 Mo. Le corps d’une requête API directe est limité à 100 Mo.

Exemples

  • Un mémo de deux pages, texte seul, issu d'un traitement de texte : le XML contient les paragraphes avec leurs styles, et la recherche d'une phrase du mémo la retrouve
  • Une page de magazine sur trois colonnes : attendez-vous à un texte ordonné selon la lecture de la page par l'importeur, qui peut entremêler les colonnes ; vérifiez donc l'ordre
  • Un scan de 30 pages sans couche de texte : le XML contient surtout des références d'images, et l'étape suivante est l'OCR
  • Un mémo texte devient souvent un grand XML Office avec des portions de paragraphes
  • Un PDF purement scanné devient souvent du XML qui emballe surtout des images

Confidentialité de cet outil

Les fichiers sont envoyés en HTTPS, traités en mémoire ou dans un répertoire temporaire de courte durée sur nos serveurs, puis supprimés dès que le résultat est prêt. Nous ne conservons pas de copies pour une consultation ultérieure, un entraînement de modèles ou des profils publicitaires. Consultez la politique de confidentialité pour la durée de conservation et les cookies AdSense.

Questions fréquentes

Le XML conserve-t-il mes tableaux ?
Il peut conserver un tableau quand l'importeur reconnaît la mise en page comme telle, mais la pagination et les limites des cellules sont approximatives. Si ce sont les lignes et les colonnes que vous voulez, PDF vers CSV est l'outil le plus direct.
Pourquoi le fichier est-il bien plus gros que le PDF ?
Le XML Office détaille chaque paragraphe, portion de texte et style en texte, et les images peuvent être intégrées : la sortie peut donc dépasser la source. C'est une propriété du format, pas le signe d'une erreur.
Cela fonctionne-t-il pour un document scanné ?
Pas de façon utile. Sans couche de texte, il n'y a rien à importer hormis des images de pages. Lancez d'abord l'OCR pour obtenir une version texte, puis convertissez celle-ci.
Puis-je récupérer les balises d'un PDF balisé ?
Non. L'arbre de balises d'un PDF accessible n'est pas exporté. La structure du XML provient des estimations de mise en page de l'importeur.
Que faire si la conversion échoue ?
Essayez Réparer le PDF puis relancez la conversion. Si elle échoue encore, le fichier est peut-être trop endommagé pour que l'importeur le lise.
Les polices sont-elles conservées ?
Les noms de polices sont repris comme styles quand l'importeur peut les lire, mais la sortie n'intègre pas les fichiers de polices : le XML s'affichera donc avec des polices de remplacement si la police n'est pas installée.
Est-ce le XML interne du PDF ?
Non. C'est LibreOffice qui exporte le document importé en XML, pas l'arbre d'objets PDF.
Pourquoi un scan est-il quasi vide ?
LibreOffice n'a pas de texte à importer. Pour les mots dans les pixels, utilisez OCR vers Markdown.
Puis-je choisir un autre dialecte XML ?
Non. Le convertisseur fixe outputFormat à xml par défaut et n'autorise que cette valeur sur ce chemin.
Quelle différence avec PDF vers Word ?
L'importeur est le même, la sortie diffère. PDF vers Word donne docx, doc ou odt. Ce chemin donne xml.

Dernière mise à jour:

Appeler depuis le code

Chaque outil du site est un endpoint REST. L'usage anonyme n'exige ni compte ni clé API. Pour le navigateur, les développeurs et les agents IA.

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

Aussi disponible comme outil MCP pour les clients agents qui parlent le Model Context Protocol (JSON-RPC 2.0 via POST /mcp). Référence API complète

L'utiliser depuis un agent IA

Skill

Avec ce skill, Claude Code, Codex, Cursor et d'autres agents IA peuvent exécuter « PDF vers XML » pour vous : /skills/pdf123-pdf-to-xml.md

Tous les skills pour agents

Les fichiers ne servent qu'à ce traitement, puis sont supprimés automatiquement.