メインコンテンツへスキップ
PPDF123

PDFをXMLファイルにする

PDFからXMLは、PDFをLibreOfficeで取り込み、Office風のXMLファイルとして返します。文字とレイアウトをできる範囲で書き出したもので、PDFの構造やタグの複製ではありません。

ファイルをここにドロップするか、クリックして選んでください

対応形式:PDF・1ファイル500.0 MBまで · 一度に最大20ファイル

Ctrl/Cmd+V またはクリップボードメニューからファイルを貼り付けることもできます。

PDFからXML はファイルを `outputFormat=xml` で LibreOffice `writer_pdf_import` に渡します。ダウンロードされるのは Office 風の XML 文書(`octet-stream`)で、PDF の内容ストリームやタグ付き PDF の構造を復元したものではありません。

PDFからWord と同じ系統の LibreOffice の取り込みで、出力先が DOCX ではなく XML になっています。レイアウト、表、フォントはできる範囲の再現です。テキスト層のないスキャンは、図や空の文字列として取り込まれます。

このページに選択肢はありません。パスワード保護されたファイルは、このページでパスワードを入力すると解除されます。API を使う場合は、先にパスワード解除を実行してください。OCR の Markdown はここには送れません。

表から行を取り出したいなら、レイアウトを推測する PDFからCSV を使います。文字だけが欲しいなら、PDFからテキスト のほうが小さく済みます。

出力は 1 つの XML ファイルです。オフィススイートが理解する形で文書を記述したもので、段落、文字列、スタイル、埋め込まれた図が入ります。PDF そのものの記述ではないので、ページオブジェクトや PDF が保存していたとおりのフォント、元の内容ストリームの演算子は含まれません。

次に使うプログラムが何を期待するかで決めてください。パイプラインがすでに LibreOffice や Office の XML を読むなら、これがそのまま入力になります。スクリプトで文字を読みたいだけなら、プレーンテキストのほうが簡単です。レイアウトを編集したいなら、代わりに Word に変換して、エディタで開いてください。

インポータは位置の付いた文字から段落を組み立てるため、段落内の改行、段組、ヘッダーとフッターは、人が描く構造とは別の構造に置かれることがあります。この XML は、PDF を忠実に映したものではなく、確認が必要な最初の叩き台として扱ってください。

機能

  • LibreOffice `writer_pdf_import` で XML へ
  • PDF 構造の書き出しでも OCR でもない
  • ページ範囲やスキーマの選択肢なし
  • 匿名 API:/api/v1/convert/pdf/xml

こんなときに使う

  • 電子版 PDF を、すでに Office XML を受け取るパイプラインへ渡す
  • LibreOffice がこの文書をどのように区切ったかを確認する
  • 次の工程が DOCX ではないときに、XML の下書きを得る
  • 同じ文書を 2 通りに書き出し、XML 出力を diff して構造の違いを比べる
  • Office XML の語彙をすでに知っているスクリプトに、スタイル名付きの段落単位のテキストを取り込む

PDFをXMLに変換するには?

  1. 文字を含む PDF をアップロードします。
  2. 処理をクリックします。このページに形式の選択肢はありません。
  3. `.xml` ファイルをダウンロードします。
  4. LibreOffice またはエディタで開き、下書きとして扱います。
  5. PDF にある特徴的な語をいくつか XML 内で検索します。見つからなければ、その PDF にはおそらくテキスト層がないので、先に OCR を使ってください。
  6. XML を自動処理に渡す前に、段組、表、脚注など、レイアウトが最も難しい箇所を確認します。

制限と注意点

  • タグ付き PDF でも XFDF/XFA 抽出でもない
  • OCR ではない
  • 表と改ページは PDF と一致しない
  • フォントは名前だけで、埋め込まれない
  • 非常に大きい、または複雑なファイルは、先に文書全体を取り込むため、失敗したり時間がかかったりすることがある
  • このサイトのアップロード上限は 1 ファイルあたり 500 MB で、約 95 MB を超えると分割して送信されます。API への直接リクエスト 1 回の本文は 100 MB までです。

例

  • ワープロで作った 2 ページの文字だけのメモ:XML にはスタイル付きの段落が入り、メモの 1 文を検索すれば見つかる
  • 3 段組の雑誌のページ:文字はインポータがページを読んだ順に並び、段が入り混じることがあるので、順序を確認する
  • テキスト層のない 30 ページのスキャン:XML のほとんどは図への参照で、次の手順は OCR になる
  • 文字だけのメモは、多くの場合、段落の文字列を含む大きな Office XML になる
  • スキャンだけの PDF は、多くの場合、ほぼ画像を包むだけの XML になる

このツールのプライバシー

ファイルは HTTPS でアップロードされ、サーバーのメモリまたは短命の一時ディレクトリで処理され、結果の準備ができた時点で削除されます。後から閲覧・学習・広告プロファイル用にコピーは残しません。保持期間と AdSense Cookie の開示はプライバシーポリシーをご覧ください。

よくある質問

XML に表は残りますか?
インポータがレイアウトを表と認識した場合は残ることがありますが、改ページやセルの境界はできる範囲の再現です。行と列が目的なら、PDFからCSV のほうが直接的なツールです。
なぜ PDF よりファイルがずっと大きいのですか?
Office の XML はすべての段落、文字列、スタイルをテキストで書き出し、図も埋め込まれることがあるため、出力が元より大きくなることがあります。これは形式の性質であり、エラーではありません。
スキャンした文書でも使えますか?
役に立つ形では使えません。テキスト層がなければ、取り込めるのはページの画像だけです。先に OCR でテキスト版を作り、それを変換してください。
タグ付き PDF からタグを取り出せますか?
できません。アクセシブルな PDF のタグツリーは書き出されません。XML の構造は、インポータのレイアウトの推測から作られます。
変換が失敗したらどうすればよいですか?
PDF に対して PDFの修復 を実行し、もう一度変換してください。それでも失敗する場合、インポータが読める範囲を超えてファイルが壊れている可能性があります。
フォントは保持されますか?
インポータが読み取れた場合、フォント名はスタイルとして引き継がれますが、出力にフォントファイルは埋め込まれません。そのフォントがインストールされていなければ、XML は代替フォントで表示されます。
これは PDF 内部の XML ですか?
いいえ。LibreOffice が取り込んだ文書を XML として書き出したもので、PDF のオブジェクトツリーではありません。
なぜスキャンはほとんど空なのですか?
LibreOffice が取り込める文字がありません。ピクセルから文字を得るには OCR(Markdown)を使ってください。
別の XML 形式を選べますか?
選べません。この経路では outputFormat の既定が xml で、許されるのもその値だけです。
PDFからWord との違いは何ですか?
インポータは同じで、出力が違います。PDFからWord は docx、doc、odt を返し、この経路は xml を返します。

最終更新:

コードから呼び出す

このサイトの各ツールは、通常のRESTエンドポイントです。匿名利用にアカウントやAPIキーは不要です。ブラウザだけでなく、AIエージェントや開発者向けにも使えます。

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

Model Context Protocolに対応したエージェント向けに、MCPツールとしても使えます(JSON-RPC 2.0、POST /mcp)。 APIリファレンス

AI エージェントから使う

スキル

このスキルを入れると、Claude Code、Codex、Cursor などの AI エージェントが「PDFからXML」を代わりに実行できます: /skills/pdf123-pdf-to-xml.md

すべてのエージェント用スキル

ファイルはこの処理のためだけに使い、完了後に自動で削除します。