PDF को XML फ़ाइल बनाएँ
PDF से XML टूल PDF को LibreOffice से आयात करके Office-शैली की XML फ़ाइल लौटाता है। यह पाठ और लेआउट का अनुमानित निर्यात है, PDF की संरचना या टैग की प्रति नहीं।
फ़ाइलें यहाँ खींचकर छोड़ें, या क्लिक कर चुनें
PDF स्वीकार्य · हर फ़ाइल अधिकतम 500.0 MB · एक बार में अधिकतम 20 फ़ाइलें
आप Ctrl/Cmd+V से या क्लिपबोर्ड मेन्यू से फ़ाइल चिपका भी सकते हैं।
PDF से XML फ़ाइल को LibreOffice `writer_pdf_import` में `outputFormat=xml` के साथ भेजता है। डाउनलोड Office-शैली का XML दस्तावेज़ (`octet-stream`) है, न कि PDF सामग्री धाराओं या tagged-PDF संरचना का पुनर्निर्माण।
यह PDF से Word वाले उसी LibreOffice आयात परिवार का है, बस आउटपुट DOCX की जगह XML है। लेआउट, तालिकाएँ और फ़ॉन्ट सर्वोत्तम-प्रयास पर निर्भर हैं। बिना पाठ परत के स्कैन चित्र या खाली अंश बनकर आयात होते हैं।
इस पृष्ठ पर कोई विकल्प नहीं है। पासवर्ड-सुरक्षित फ़ाइलें इस पृष्ठ पर पासवर्ड डालते ही आपके लिए खोल दी जाती हैं; API उपयोगकर्ता पहले पासवर्ड हटाएँ चलाएँ। OCR का Markdown यहाँ नहीं भेजा जा सकता।
तालिका से पंक्तियाँ चाहिए तो PDF से CSV लेआउट के अनुमान पर चलता है। केवल शब्द चाहिए तो PDF से RTF (पाठ) छोटा रहता है।
आउटपुट एक ही XML फ़ाइल है। वह दस्तावेज़ को वैसे वर्णित करती है जैसे कोई ऑफ़िस सुइट उसे समझता है: अनुच्छेद, पाठ के अंश, शैलियाँ और कोई भी एम्बेड चित्र। वह PDF को वर्णित नहीं करती, इसलिए उसमें पृष्ठ वस्तुएँ, PDF में रखे गए रूप में फ़ॉन्ट, या मूल सामग्री धारा के ऑपरेटर नहीं मिलेंगे।
फ़ैसला इस पर करें कि आपका अगला प्रोग्राम क्या चाहता है। अगर कोई पाइपलाइन पहले से LibreOffice या Office XML पढ़ती है, तो यह सीधा इनपुट है। अगर आप किसी स्क्रिप्ट में शब्द पढ़ना चाहते हैं, तो सादा पाठ आसान है। अगर लेआउट संपादित करना है, तो इसके बजाय Word में बदलें और फ़ाइल किसी एडिटर में खोलें।
क्योंकि आयातक स्थित पाठ से अनुच्छेद दोबारा बनाता है, इसलिए अनुच्छेद के भीतर की पंक्ति-विराम, स्तंभ, हेडर और फ़ुटर ऐसी संरचना में आ सकते हैं जैसी कोई व्यक्ति नहीं बनाता। XML को पहला मसौदा मानकर जाँचें, PDF का हूबहू प्रतिबिंब नहीं।
सुविधाएँ
- LibreOffice `writer_pdf_import` से XML
- PDF संरचना का निर्यात नहीं, OCR भी नहीं
- पृष्ठ-सीमा या schema विकल्प नहीं
- अनाम API: /api/v1/convert/pdf/xml
यह उपकरण कब इस्तेमाल करें
- इलेक्ट्रॉनिक PDF को ऐसी पाइपलाइन में देना जो पहले से Office XML लेती है
- देखना कि LibreOffice ने दस्तावेज़ को कैसे टोकन में बाँटा
- अगला कदम DOCX न हो तो XML मसौदा
- एक ही दस्तावेज़ के दो निर्यातों की XML आउटपुट में diff करके तुलना करना
- शैली नामों के साथ अनुच्छेद-स्तर का पाठ ऐसी स्क्रिप्ट में लाना जो Office XML की शब्दावली जानती हो
PDF को XML में कैसे बदलें?
- पाठ वाली PDF अपलोड करें।
- प्रसंस्करण शुरू करें। इस पृष्ठ पर प्रारूप के विकल्प नहीं हैं।
- `.xml` फ़ाइल डाउनलोड करें।
- LibreOffice या किसी एडिटर में खोलें और इसे मसौदा मानें।
- XML में PDF के कुछ विशिष्ट शब्द खोजें। न मिलें तो PDF में शायद पाठ परत नहीं है और पहले OCR इस्तेमाल करें।
- XML को किसी स्वचालित प्रक्रिया में देने से पहले वे जगहें जाँचें जहाँ लेआउट सबसे कठिन है, जैसे स्तंभ, तालिकाएँ और फ़ुटनोट।
सीमाएँ और अपवाद
- tagged-PDF नहीं, XFDF/XFA निष्कर्षण भी नहीं
- OCR नहीं
- तालिकाएँ और पृष्ठ विभाजन PDF से मेल नहीं खाएँगे
- फ़ॉन्ट के नाम रहते हैं, पर वे एम्बेड नहीं होते
- बहुत बड़ी या जटिल फ़ाइलें विफल हो सकती हैं या देर लगा सकती हैं, क्योंकि पहले पूरा दस्तावेज़ आयात होता है
- इस वेबसाइट पर अपलोड सीमा: प्रति फ़ाइल 500 MB, लगभग 95 MB से ऊपर की फ़ाइलें टुकड़ों में भेजी जाती हैं। सीधे एक API अनुरोध का बॉडी अधिकतम 100 MB का हो सकता है।
उदाहरण
- वर्ड प्रोसेसर से बना दो पृष्ठ का केवल-पाठ मेमो: XML में अनुच्छेद अपनी शैलियों के साथ होते हैं, और मेमो का कोई वाक्य खोजने पर मिल जाता है
- तीन स्तंभ वाला पत्रिका का पृष्ठ: पाठ का क्रम आयातक के पृष्ठ पढ़ने के तरीके से तय होगा, जो स्तंभों को आपस में मिला सकता है, इसलिए क्रम जाँचें
- बिना पाठ परत का 30 पृष्ठ का स्कैन: XML में ज़्यादातर चित्र संदर्भ होते हैं, और अगला कदम OCR है
- पाठ मेमो अक्सर अनुच्छेद अंशों वाला बड़ा Office XML बनता है
- शुद्ध स्कैन PDF अक्सर मुख्यतः छवियों को लपेटने वाला XML बनता है
इस उपकरण की गोपनीयता
फ़ाइलें HTTPS पर अपलोड होती हैं, सर्वर की मेमोरी या अल्पकालिक अस्थायी निर्देशिका में संसाधित होती हैं, और परिणाम तैयार होते ही हटा दी जाती हैं। हम बाद में देखने, मॉडल प्रशिक्षण या विज्ञापन प्रोफ़ाइल के लिए प्रतियाँ नहीं रखते। प्रतिधारण अवधि और AdSense कुकी विवरण गोपनीयता नीति में हैं।
अक्सर पूछे सवाल
- क्या XML मेरी तालिकाएँ रखता है?
- जब आयातक लेआउट को तालिका के रूप में पहचानता है तब वह तालिका रख सकता है, पर पृष्ठ विभाजन और सेल की सीमाएँ सर्वोत्तम-प्रयास हैं। पंक्तियाँ और स्तंभ ही लक्ष्य हों तो PDF से CSV अधिक सीधा टूल है।
- फ़ाइल PDF से इतनी बड़ी क्यों है?
- Office XML हर अनुच्छेद, पाठ अंश और शैली को पाठ में लिखता है, और चित्र एम्बेड हो सकते हैं, इसलिए आउटपुट स्रोत से बड़ा हो सकता है। यह प्रारूप का गुण है, त्रुटि का संकेत नहीं।
- क्या यह स्कैन किए दस्तावेज़ के लिए चलेगा?
- काम के ढंग से नहीं। पाठ परत के बिना पृष्ठ-चित्रों के सिवा आयात करने को कुछ नहीं होता। पहले OCR से पाठ वाला संस्करण लें, फिर उसे बदलें।
- क्या tagged PDF के टैग मिल सकते हैं?
- नहीं। सुलभ PDF का टैग वृक्ष निर्यात नहीं होता। XML की संरचना आयातक के लेआउट अनुमानों से आती है।
- रूपांतरण विफल हो तो क्या करूँ?
- PDF पर मरम्मत चलाएँ और रूपांतरण फिर करें। फिर भी विफल हो तो फ़ाइल इतनी क्षतिग्रस्त हो सकती है कि आयातक उसे पढ़ न सके।
- क्या फ़ॉन्ट बचे रहते हैं?
- आयातक पढ़ सके तो फ़ॉन्ट के नाम शैलियों के रूप में आगे आते हैं, पर आउटपुट फ़ॉन्ट फ़ाइलें एम्बेड नहीं करता, इसलिए फ़ॉन्ट स्थापित न हो तो XML विकल्प फ़ॉन्ट के साथ दिखेगा।
- क्या यह PDF का आंतरिक XML है?
- नहीं। यह LibreOffice आयातित दस्तावेज़ को XML में निर्यात करता है, PDF ऑब्जेक्ट वृक्ष नहीं।
- स्कैन लगभग खाली क्यों?
- LibreOffice के पास आयात करने को पाठ नहीं। पिक्सेल में शब्द हों तो OCR से Markdown लें।
- दूसरी XML बोली चुन सकते हैं?
- नहीं। कन्वर्टर outputFormat को xml पर डिफ़ॉल्ट रखता है और इस पथ पर केवल यही मान अनुमत है।
- PDF से Word से क्या अंतर?
- आयातक एक जैसा, आउटपुट अलग। PDF से Word docx, doc या odt देता है। यह पथ xml देता है।
आख़िरी अपडेट:
कोड से कॉल करें
यहाँ हर उपकरण एक सादा REST एंडपॉइंट है। गुमनाम इस्तेमाल के लिए खाता या API कुंजी नहीं चाहिए। ब्राउज़र, डेवलपर और AI एजेंट, तीनों के लिए।
curl -X POST "https://pdf123.xyz/api/v1/convert/pdf/xml" \
-F "[email protected]" \
-o output.pdfModel Context Protocol बोलने वाले एजेंट क्लाइंट के लिए MCP उपकरण भी है (JSON-RPC 2.0, POST /mcp)। पूरा API संदर्भ
AI एजेंट से इस्तेमाल करें
स्किलइस स्किल से Claude Code, Codex, Cursor और दूसरे AI एजेंट आपके लिए “PDF से XML” चला सकते हैं: /skills/pdf123-pdf-to-xml.md
फ़ाइलें केवल इस काम के लिए इस्तेमाल होती हैं, फिर अपने आप मिट जाती हैं।