Ir para o conteúdo principal
PPDF123

Converter PDF em XML

PDF para XML importa um PDF pelo LibreOffice e devolve um arquivo XML no estilo Office. É uma exportação de texto e layout no melhor esforço, não uma cópia da estrutura ou das tags do PDF.

Arraste arquivos para cá, ou clique para escolher

Aceita PDF · até 500.0 MB por arquivo · até 20 arquivos por vez

Você também pode colar um arquivo com Ctrl/Cmd+V ou pelo menu da área de transferência.

PDF para XML envia o arquivo pelo LibreOffice `writer_pdf_import` com `outputFormat=xml`. O download é um documento XML no estilo Office (`octet-stream`), não uma reconstrução dos fluxos de conteúdo do PDF nem da estrutura de um PDF com tags.

É a mesma família de importação do LibreOffice usada em Converter para Word, só que com destino XML em vez de DOCX. Layout, tabelas e fontes são no melhor esforço. Digitalizações sem camada de texto são importadas como imagens ou trechos vazios.

Não há opções nesta página. Arquivos protegidos por senha são desbloqueados para você nesta página assim que você digita a senha; quem chama a API executa Remover senha antes. O Markdown do OCR não pode ser enviado para cá.

Se você precisa de linhas de uma tabela, PDF para CSV é a heurística de layout. Se precisa só das palavras, PDF para RTF (texto) é menor.

A saída é um único arquivo XML. Ele descreve um documento como um pacote de escritório o entende: parágrafos, trechos de texto, estilos e eventuais imagens incorporadas. Não descreve o PDF em si, então você não vai encontrar nele objetos de página, as fontes como o PDF as guardava nem os operadores originais do fluxo de conteúdo.

Decida pelo que o seu próximo programa espera. Se um pipeline já lê XML do LibreOffice ou do Office, esta é uma entrada direta. Se você quer ler as palavras em um script, texto simples é mais fácil. Se quer editar o layout, converta para Word e abra o arquivo em um editor.

Como o importador reconstrói parágrafos a partir de texto posicionado, quebras de linha dentro de um parágrafo, colunas, cabeçalhos e rodapés podem ficar numa estrutura diferente da que uma pessoa desenharia. Trate o XML como uma primeira passada a ser conferida, não como um espelho fiel do PDF.

Recursos

  • LibreOffice `writer_pdf_import` para XML
  • Não é um despejo da estrutura do PDF nem OCR
  • Sem opções de intervalo de páginas nem de esquema
  • API anônima: /api/v1/convert/pdf/xml

Quando usar esta ferramenta

  • Alimentar um pipeline que já consome XML do Office com um PDF nascido digital
  • Inspecionar como o LibreOffice dividiu o documento em unidades
  • Obter um rascunho em XML quando DOCX é o passo seguinte errado
  • Comparar como duas exportações do mesmo documento foram estruturadas, fazendo diff das saídas XML
  • Levar o texto no nível de parágrafo, com nomes de estilo, para um script que já conhece o vocabulário do XML do Office

Como converter um PDF em XML?

  1. Envie um PDF com texto.
  2. Clique em Processar. Não há escolha de formato nesta página.
  3. Baixe o arquivo `.xml`.
  4. Abra no LibreOffice ou em um editor e trate-o como rascunho.
  5. Procure no XML algumas palavras distintivas do PDF. Se não as encontrar, o PDF provavelmente não tem camada de texto e você deve usar OCR primeiro.
  6. Confira os pontos de layout mais difíceis, como colunas, tabelas e notas de rodapé, antes de passar o XML a qualquer coisa automatizada.

Limites e casos-limite

  • Não extrai PDF com tags nem XFDF/XFA
  • Não é OCR
  • Tabelas e paginação não vão coincidir com o PDF
  • As fontes são nomeadas, mas não incorporadas
  • Arquivos muito grandes ou complexos podem falhar ou demorar, porque o documento inteiro é importado primeiro
  • Limite de envio neste site: 500 MB por arquivo, enviado em partes acima de cerca de 95 MB. O corpo de uma única requisição direta à API é limitado a 100 MB.

Exemplos

  • Um memorando de duas páginas só com texto, vindo de um processador de texto: o XML guarda os parágrafos com seus estilos, e buscar uma frase do memorando a encontra
  • Uma página de revista com três colunas: espere o texto ordenado pela leitura que o importador faz da página, que pode intercalar colunas, então confira a ordem
  • Uma digitalização de 30 páginas sem camada de texto: o XML contém sobretudo referências a imagens, e o próximo passo é o OCR
  • Um memorando de texto costuma virar um arquivo XML do Office grande, com trechos de parágrafo
  • Um PDF só de digitalização costuma virar um XML que basicamente envolve imagens

Privacidade desta ferramenta

Os arquivos são enviados por HTTPS, processados em memória ou em um diretório temporário de curta duração nos nossos servidores, e apagados quando o resultado fica pronto. Não guardamos cópias para consulta posterior, treino de modelos ou perfis de publicidade. Consulte a Política de Privacidade para prazos de retenção e cookies do AdSense.

Perguntas frequentes

O XML mantém minhas tabelas?
Pode manter uma tabela quando o importador reconhece o layout como tal, mas a paginação e os limites das células são no melhor esforço. Se o objetivo são linhas e colunas, PDF para CSV é a ferramenta mais direta.
Por que o arquivo é muito maior que o PDF?
O XML do Office descreve em texto cada parágrafo, trecho e estilo, e as imagens podem ser incorporadas, então a saída pode ser maior que a origem. Isso é uma característica do formato, não sinal de erro.
Funciona com um documento digitalizado?
Não de forma útil. Sem camada de texto, não há nada para importar além das imagens das páginas. Execute OCR primeiro para obter uma versão em texto e depois converta essa versão.
Consigo obter as tags de um PDF com tags?
Não. A árvore de tags de um PDF acessível não é exportada. A estrutura do XML vem dos palpites de layout do importador.
O que fazer se a conversão falhar?
Experimente Reparar PDF no arquivo e execute a conversão de novo. Se ainda falhar, o arquivo pode estar danificado além do que o importador consegue ler.
As fontes são preservadas?
Os nomes das fontes são levados como estilos quando o importador consegue lê-los, mas a saída não incorpora os arquivos de fonte, então o XML será exibido com substitutas se a fonte não estiver instalada.
Este é o XML interno do PDF?
Não. É o LibreOffice exportando o documento importado como XML, não a árvore de objetos do PDF.
Por que uma digitalização sai quase vazia?
O LibreOffice não tem texto para importar. Use OCR para Markdown para obter palavras a partir de pixels.
Posso escolher outra variante de XML?
Não. O conversor define outputFormat como xml por padrão e só permite esse valor neste caminho.
Qual a diferença para Converter para Word?
Mesmo importador, saída diferente. Word entrega docx/doc/odt. Este caminho entrega xml.

Última atualização:

Chame pelo código

Cada ferramenta deste site é um endpoint REST. Para uso anônimo não precisa de conta nem de chave de API. Serve para o navegador, para desenvolvedores e para agentes de IA.

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

Também disponível como ferramenta MCP para clientes de agente que falam Model Context Protocol (JSON-RPC 2.0 via POST /mcp). Referência completa da API

Use a partir de um agente de IA

Skill

Com esta skill, Claude Code, Codex, Cursor e outros agentes de IA podem usar "PDF para XML" para você: /skills/pdf123-pdf-to-xml.md

Todas as skills para agentes

Os arquivos servem só para este processamento e são apagados automaticamente depois.