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?
- Загрузите PDF с текстом.
- Нажмите «Обработать». На этой странице нет выбора формата.
- Скачайте `.xml`.
- Откройте в LibreOffice или редакторе и считайте это черновиком.
- Поищите в XML несколько характерных слов из PDF. Если не нашлись, в PDF, вероятно, нет текстового слоя, и сначала нужен OCR.
- 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.pdfЕсть и как MCP-инструмент для клиентов на Model Context Protocol (JSON-RPC 2.0, POST /mcp). Полное описание API
Использовать через ИИ-агента
СкиллС этим скиллом Claude Code, Codex, Cursor и другие ИИ-агенты смогут выполнить «PDF в XML» за вас: /skills/pdf123-pdf-to-xml.md
Файлы нужны только для этой обработки и потом удаляются.