Перейти к основному содержимому
PPDF123

Преобразование PDF в XML

«PDF в XML» импортирует PDF через LibreOffice и возвращает XML-файл в офисном формате. Это экспорт текста и вёрстки по мере возможности, а не копия структуры или тегов PDF.

Перетащите файлы сюда или нажмите, чтобы выбрать

Форматы: PDF · до 500.0 MB на файл · до 20 файлов за раз

Файл можно также вставить через Ctrl/Cmd+V или из меню буфера обмена.

«PDF в XML» отправляет файл в LibreOffice `writer_pdf_import` с `outputFormat=xml`. Скачивается XML-документ в духе Office (`octet-stream`), а не восстановление потоков содержимого PDF и не структура размеченного PDF.

Это то же семейство импорта LibreOffice, что и «PDF в Word», только цель — XML вместо DOCX. Вёрстка, таблицы и шрифты — по возможности. Сканы без текстового слоя становятся картинками или пустыми прогонами текста.

На этой странице нет опций. Файлы, защищённые паролем, снимаются с защиты прямо на этой странице, как только вы введёте пароль; при работе через API сначала запустите «Снять пароль». Markdown с OCR сюда не отправить.

Если нужны строки таблицы, берите «PDF в CSV»: это эвристика по вёрстке. Если нужны только слова, «PDF в RTF (текст)» компактнее.

Результат — один XML-файл. Он описывает документ так, как его понимает офисный пакет: абзацы, прогоны текста, стили и встроенные картинки. Самого PDF он не описывает, поэтому объектов страниц, шрифтов в том виде, как их хранил PDF, и исходных операторов потока содержимого в нём не будет.

Решайте по тому, чего ждёт ваша следующая программа. Если конвейер уже читает XML LibreOffice или Office, это прямой вход. Если нужно прочитать слова в скрипте, проще обычный текст. Если нужно править вёрстку, лучше конвертируйте в Word и откройте файл в редакторе.

Поскольку импортёр собирает абзацы из позиционированного текста, переносы строк внутри абзаца, колонки, колонтитулы могут оказаться в структуре, отличной от той, что нарисовал бы человек. Считайте XML первым приближением, которое нужно проверить, а не точным зеркалом PDF.

Функции

  • LibreOffice `writer_pdf_import` в XML
  • Не экспорт структуры PDF и не OCR
  • Нет диапазона страниц и опций схемы
  • Анонимный API: /api/v1/convert/pdf/xml

Когда применять

  • Отдать цифровой PDF в конвейер, который уже принимает Office XML
  • Посмотреть, как LibreOffice разбил документ
  • Получить XML-черновик, когда следующий шаг — не DOCX
  • Сравнить, как структурированы два экспорта одного документа, сопоставив их XML
  • Вытащить текст на уровне абзацев с именами стилей в скрипт, который уже знает словарь Office XML

Как преобразовать PDF в XML?

  1. Загрузите PDF с текстом.
  2. Нажмите «Обработать». На этой странице нет выбора формата.
  3. Скачайте `.xml`.
  4. Откройте в LibreOffice или редакторе и считайте это черновиком.
  5. Поищите в XML несколько характерных слов из PDF. Если не нашлись, в PDF, вероятно, нет текстового слоя, и сначала нужен OCR.
  6. Прежде чем отдавать XML автоматической обработке, проверьте самые сложные по вёрстке места: колонки, таблицы и сноски.

Ограничения и особые случаи

  • Не размеченный PDF и не извлечение XFDF/XFA
  • Не OCR
  • Таблицы и разбивка на страницы не совпадут с PDF
  • Шрифты названы, но не встроены
  • Очень большие или сложные файлы могут не обработаться или занять много времени, потому что сначала импортируется весь документ
  • Лимит загрузки на сайте: 500 МБ на файл, файлы крупнее примерно 95 МБ отправляются частями. Тело одного прямого запроса к API ограничено 100 МБ.

Примеры

  • Двухстраничная текстовая записка из текстового процессора: XML содержит абзацы со стилями, и поиск предложения из записки его находит
  • Журнальная страница в три колонки: порядок текста определяется тем, как импортёр прочитал страницу, колонки могут перемешаться, так что проверьте порядок
  • 30-страничный скан без текстового слоя: XML в основном состоит из ссылок на картинки, а следующий шаг — OCR
  • Текстовая служебная записка часто становится большим Office XML с прогонами абзацев
  • PDF только из скана часто становится XML, который в основном оборачивает картинки

Конфиденциальность этого инструмента

Файлы загружаются по HTTPS, обрабатываются в памяти или в короткоживущем временном каталоге на наших серверах и удаляются, когда результат готов. Копии для последующего просмотра, обучения моделей или рекламных профилей мы не храним. Сроки хранения и сведения о cookie AdSense указаны в Политике конфиденциальности.

Частые вопросы

XML сохранит мои таблицы?
Таблица может сохраниться, если импортёр распознал вёрстку как таблицу, но разбивка на страницы и границы ячеек — по возможности. Если нужны строки и столбцы, прямее «PDF в CSV».
Почему файл намного больше PDF?
Office XML текстом прописывает каждый абзац, прогон и стиль, а картинки могут быть встроены, поэтому результат может быть больше исходника. Это свойство формата, а не признак ошибки.
Сработает ли для сканированного документа?
Полезным образом — нет. Без текстового слоя импортировать нечего, кроме картинок страниц. Сначала сделайте OCR, чтобы получить текстовую версию, а затем конвертируйте её.
Можно получить теги из размеченного PDF?
Нет. Дерево тегов доступного PDF не экспортируется. Структура в XML берётся из догадок импортёра о вёрстке.
Что делать, если конвертация не удалась?
Прогоните PDF через «Исправить PDF» и запустите конвертацию снова. Если снова ошибка, файл, возможно, повреждён сильнее, чем способен прочитать импортёр.
Шрифты сохраняются?
Названия шрифтов переносятся как стили, если импортёр может их прочитать, но файлы шрифтов не встраиваются, поэтому без установленного шрифта XML отобразится с подстановкой.
Это внутренний XML PDF?
Нет. LibreOffice экспортирует импортированный документ как XML, а не дерево объектов PDF.
Почему скан почти пустой?
У LibreOffice нет текста для импорта. Для слов из пикселей — OCR в Markdown.
Можно выбрать другой вид XML?
Нет. Этот путь фиксирует outputFormat как xml и разрешает только это значение.
Чем это отличается от PDF в Word?
Импортёр тот же, выход другой. PDF в Word даёт docx, doc или odt. Этот путь даёт xml.

Последнее обновление:

Вызов из кода

Каждый инструмент на сайте: обычный REST. Анонимно не нужны ни аккаунт, ни ключ API. И для браузера, и для разработчиков, и для ИИ-агентов.

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

Есть и как MCP-инструмент для клиентов на Model Context Protocol (JSON-RPC 2.0, POST /mcp). Полное описание API

Использовать через ИИ-агента

Скилл

С этим скиллом Claude Code, Codex, Cursor и другие ИИ-агенты смогут выполнить «PDF в XML» за вас: /skills/pdf123-pdf-to-xml.md

Все скиллы для агентов

Файлы нужны только для этой обработки и потом удаляются.