Naar de hoofdinhoud
PPDF123

PDF omzetten naar XML

PDF naar XML importeert een PDF via LibreOffice en geeft een XML-bestand in Office-stijl terug. Het is een tekst- en lay-outexport naar beste vermogen, geen kopie van de structuur of tags van de PDF.

Sleep bestanden hierheen, of klik om te kiezen

Accepteert PDF · tot 500.0 MB per bestand · maximaal 20 bestanden tegelijk

Je kunt een bestand ook plakken met Ctrl/Cmd+V of via het klembordmenu.

PDF naar XML stuurt het bestand door LibreOffice `writer_pdf_import` met `outputFormat=xml`. De download is een XML-document in Office-stijl (`octet-stream`), geen reconstructie van PDF-contentstreams of van de structuur van een tagged PDF.

Dit is dezelfde LibreOffice-importfamilie als PDF naar Word, maar dan gericht op XML in plaats van DOCX. Lay-out, tabellen en lettertypen zijn een best-effortresultaat. Scans zonder tekstlaag worden geïmporteerd als afbeeldingen of lege tekstfragmenten.

Op deze pagina zijn geen opties. Met een wachtwoord beveiligde bestanden worden op deze pagina voor u ontgrendeld zodra u het wachtwoord invoert; API-gebruikers voeren eerst Wachtwoord verwijderen uit. OCR-Markdown kan hier niet worden aangeleverd.

Als u rijen uit een tabel nodig hebt, is PDF naar CSV de lay-outheuristiek. Als u alleen woorden wilt, is PDF naar RTF compacter.

De uitvoer is één XML-bestand. Het beschrijft een document zoals een office-pakket dat begrijpt: alinea’s, tekstfragmenten, stijlen en eventuele ingesloten afbeeldingen. Het beschrijft niet de PDF zelf, dus u vindt er geen pagina-objecten, geen lettertypen zoals de PDF ze opsloeg en geen oorspronkelijke operators van de contentstream in.

Kies op basis van wat uw volgende programma verwacht. Als een pijplijn al LibreOffice- of Office-XML leest, is dit een directe invoer. Als u de woorden in een script wilt lezen, is platte tekst eenvoudiger. Als u de lay-out wilt bewerken, zet u het bestand beter om naar Word en opent u dat in een editor.

Omdat de importer alinea’s opbouwt uit gepositioneerde tekst, kunnen regeleinden binnen een alinea, kolommen, kop- en voetteksten in een andere structuur terechtkomen dan een mens zou tekenen. Beschouw de XML als een eerste versie die u moet controleren, niet als een getrouwe afspiegeling van de PDF.

Functies

  • LibreOffice `writer_pdf_import` naar XML
  • Geen dump van de PDF-structuur en geen OCR
  • Geen opties voor paginabereik of schema
  • Anonieme API op /api/v1/convert/pdf/xml

Wanneer je dit gebruikt

  • Een digitaal gemaakte PDF aanleveren aan een pijplijn die al Office-XML verwerkt
  • Bekijken hoe LibreOffice het document in tokens heeft opgedeeld
  • Een XML-concept maken wanneer DOCX niet de juiste volgende stap is
  • Twee exports van hetzelfde document vergelijken door de XML-uitvoer met diff te vergelijken
  • Tekst op alineaniveau met stijlnamen in een script halen dat het Office-XML-vocabulaire al kent

Hoe zet ik een PDF om naar XML?

  1. Upload een PDF die uit tekst bestaat.
  2. Klik op Verwerken. Op deze pagina zijn geen formaatkeuzes.
  3. Download het `.xml`-bestand.
  4. Open het in LibreOffice of een editor en behandel het als concept.
  5. Zoek in de XML naar een paar opvallende woorden uit de PDF. Als u ze niet kunt vinden, heeft de PDF waarschijnlijk geen tekstlaag en gebruikt u eerst OCR.
  6. Controleer de plekken waar de lay-out het lastigst is, zoals kolommen, tabellen en voetnoten, voordat u de XML aan iets geautomatiseerds voedt.

Beperkingen en randgevallen

  • Geen extractie van tagged PDF of XFDF/XFA
  • Geen OCR
  • Tabellen en paginering komen niet overeen met de PDF
  • Lettertypen worden genoemd maar niet ingesloten
  • Zeer grote of complexe bestanden kunnen mislukken of lang duren, omdat eerst het hele document wordt geïmporteerd
  • Uploadlimiet op deze website: 500 MB per bestand, in delen verzonden boven ongeveer 95 MB. Eén directe API-aanvraag is beperkt tot 100 MB.

Voorbeelden

  • Een memo van twee pagina’s met alleen tekst uit een tekstverwerker: de XML bevat de alinea’s met hun stijlen, en als u zoekt naar een zin uit de memo, vindt u die
  • Een tijdschriftpagina met drie kolommen: verwacht dat de tekst is geordend volgens de leesrichting die de importer aan de pagina toekent, waarbij kolommen door elkaar kunnen lopen, dus controleer de volgorde
  • Een scan van 30 pagina’s zonder tekstlaag: de XML bevat vooral verwijzingen naar afbeeldingen, en de volgende stap is OCR
  • Een tekstmemo wordt vaak een groot Office-XML-bestand met alinea-fragmenten
  • Een PDF die alleen uit een scan bestaat, wordt vaak XML die vooral afbeeldingen omhult

Privacy bij deze tool

Bestanden worden via HTTPS geüpload, in het geheugen of in een kortlevende tijdelijke map op onze servers verwerkt, en verwijderd zodra uw resultaat klaar is. Wij bewaren geen kopieën voor later bladeren, training of advertentieprofielen. Zie het privacybeleid voor bewaartermijnen en AdSense-cookiemeldingen.

Veelgestelde vragen

Behoudt de XML mijn tabellen?
Een tabel kan behouden blijven als de importer de lay-out als tabel herkent, maar paginering en celgrenzen zijn best effort. Als rijen en kolommen het doel zijn, is PDF naar CSV de directere tool.
Waarom is het bestand zoveel groter dan de PDF?
Office-XML schrijft elke alinea, elk tekstfragment en elke stijl uit als tekst, en afbeeldingen kunnen worden ingesloten, waardoor de uitvoer groter kan zijn dan de bron. Dat is een eigenschap van het formaat en geen teken van een fout.
Werkt het voor een gescand document?
Niet op een bruikbare manier. Zonder tekstlaag is er niets te importeren behalve paginabeelden. Voer eerst OCR uit om een tekstversie te krijgen en zet die daarna om.
Kan ik de tags van een tagged PDF krijgen?
Nee. De tagboom van een toegankelijke PDF wordt niet geëxporteerd. De structuur in de XML komt voort uit de lay-outgissingen van de importer.
Wat moet ik doen als de conversie mislukt?
Voer Repareren uit op de PDF en probeer de conversie opnieuw. Als het nog steeds mislukt, is het bestand mogelijk te zwaar beschadigd om door de importer te worden gelezen.
Blijven lettertypen behouden?
Lettertypenamen worden als stijlen meegenomen wanneer de importer ze kan lezen, maar de uitvoer sluit de lettertypebestanden niet in. De XML wordt dus met vervangende lettertypen weergegeven als het lettertype niet is geïnstalleerd.
Is dit de interne XML van de PDF?
Nee. Het is LibreOffice dat het geïmporteerde document als XML exporteert, niet de objectboom van de PDF.
Waarom is een scan bijna leeg?
LibreOffice heeft geen tekst om te importeren. Gebruik OCR naar Markdown voor woorden uit pixels.
Kan ik een ander XML-dialect kiezen?
Nee. De converter zet outputFormat standaard op xml en staat op dit pad alleen die waarde toe.
Wat is het verschil met PDF naar Word?
Dezelfde importer, andere uitvoer. PDF naar Word geeft docx, doc of odt. Dit pad geeft xml.

Laatst bijgewerkt:

Aanroepen vanuit code

Elke tool op deze site is een gewoon REST-eindpunt. Voor anoniem gebruik heb je geen account of API-sleutel nodig. Net zo goed voor AI-agenten en ontwikkelaars als voor de browser.

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

Ook beschikbaar als MCP-tool voor clients die Model Context Protocol spreken (JSON-RPC 2.0 via POST /mcp). Volledige API-documentatie

Gebruik het vanuit een AI-agent

Skill

Met deze skill kunnen Claude Code, Codex, Cursor en andere AI-agents ‘PDF naar XML’ voor je uitvoeren: /skills/pdf123-pdf-to-xml.md

Alle agent-skills

Bestanden dienen alleen voor deze verwerking en worden daarna automatisch verwijderd.