Till huvudinnehållet
PPDF123

Konvertera PDF till XML

PDF till XML importerar en PDF via LibreOffice och returnerar en XML-fil i Office-stil. Det är en text- och layoutexport så gott det går, inte en kopia av PDF:ens struktur eller taggar.

Dra filer hit, eller klicka för att välja

Tar emot PDF · upp till 500.0 MB per fil · upp till 20 filer åt gången

Du kan också klistra in en fil med Ctrl/Cmd+V eller via urklippsmenyn.

PDF till XML skickar filen till LibreOffice `writer_pdf_import` med `outputFormat=xml`. Nedladdningen är ett XML-dokument i Office-stil (`octet-stream`), inte en återskapning av PDF-innehållsströmmar eller tagged-PDF-struktur.

Det är samma LibreOffice-importfamilj som PDF till Word, men med XML som mål i stället för DOCX. Layout, tabeller och typsnitt är så gott det går. Skanningar utan textlager importeras som bilder eller tomma textstycken.

Sidan har inga alternativ. Lösenordsskyddade filer låses upp åt dig på den här sidan när du anger lösenordet; API-anropare kör Ta bort lösenord först. OCR-Markdown kan inte skickas hit.

Vill du ha rader ur en tabell är PDF till CSV layoutheuristiken. Vill du bara ha orden är PDF till RTF mindre.

Utdatan är en enda XML-fil. Den beskriver ett dokument så som ett kontorspaket förstår det: stycken, textstycken, stilar och eventuella inbäddade bilder. Den beskriver inte själva PDF:en, så du hittar inga sidobjekt, inga typsnitt som PDF:en lagrade dem och inga ursprungliga innehållsströmsoperatorer i den.

Välj efter vad ditt nästa program förväntar sig. Läser ett flöde redan LibreOffice- eller Office-XML är detta en direkt indata. Vill du läsa orden i ett skript är ren text enklare. Vill du redigera layouten, konvertera till Word i stället och öppna filen i en editor.

Eftersom importören bygger upp stycken ur positionerad text kan radbrytningar inom ett stycke, spalter, sidhuvuden och sidfötter hamna i en annan struktur än den en människa skulle rita. Behandla XML-filen som ett första utkast som ska kontrolleras, inte som en trogen spegelbild av PDF:en.

Funktioner

  • LibreOffice `writer_pdf_import` till XML
  • Varken PDF-strukturexport eller OCR
  • Inga sidintervall- eller schemaalternativ
  • Anonymt API: /api/v1/convert/pdf/xml

När du ska använda det här verktyget

  • Mata ett flöde som redan tar Office-XML med en digitalt skapad PDF
  • Se hur LibreOffice delade upp dokumentet i token
  • Få ett XML-utkast när DOCX är fel nästa steg
  • Jämföra hur två exporter av samma dokument har strukturerats genom att diffa deras XML-utdata
  • Hämta text på styckenivå med stilnamn till ett skript som redan kan Office-XML-vokabulären

Hur konverterar jag en PDF till XML?

  1. Ladda upp en textbaserad PDF.
  2. Klicka på Bearbeta. Det finns inga formatval på den här sidan.
  3. Ladda ner `.xml`-filen.
  4. Öppna den i LibreOffice eller en editor och behandla den som ett utkast.
  5. Sök i XML-filen efter några särskiljande ord från PDF:en. Hittar du dem inte saknar PDF:en troligen textlager och du bör köra OCR först.
  6. Kontrollera de ställen där layouten är svårast, som spalter, tabeller och fotnoter, innan du matar XML-filen till något automatiserat.

Gränser och specialfall

  • Varken tagged-PDF- eller XFDF/XFA-utdrag
  • Ingen OCR
  • Tabeller och paginering matchar inte PDF:en
  • Typsnitt namnges men bäddas inte in
  • Mycket stora eller komplexa filer kan misslyckas eller ta lång tid, eftersom hela dokumentet importeras först
  • Uppladdningsgräns på webbplatsen: 500 MB per fil, som skickas i delar över cirka 95 MB. Innehållet i en enskild direkt API-förfrågan är begränsat till 100 MB.

Exempel

  • En tvåsidig promemoria med bara text från ett ordbehandlingsprogram: XML-filen innehåller styckena med deras stilar, och en mening ur promemorian går att hitta genom sökning
  • En tidskriftssida med tre spalter: räkna med att texten ordnas efter importörens tolkning av sidan, vilket kan blanda ihop spalterna, så kontrollera ordningen
  • En skanning på 30 sidor utan textlager: XML-filen innehåller mest bildreferenser, och nästa steg är OCR
  • En textpromemoria blir ofta en stor Office-XML med styckeruns
  • En PDF med bara skanning blir ofta XML som mest packar in bilder

Integritet för det här verktyget

Filer laddas upp via HTTPS, bearbetas i serverns minne eller en kortlivad tillfällig katalog och raderas när resultatet är klart. Vi behåller inga kopior för senare bläddring, träning eller annonsprofiler. Se integritetspolicyn för lagringstider och AdSense-cookieupplysningar.

Vanliga frågor

Behåller XML-filen mina tabeller?
Den kan behålla en tabell när importören känner igen layouten som en, men sidbrytningar och cellgränser är så gott det går. Är rader och kolumner målet är PDF till CSV det mer direkta verktyget.
Varför är filen så mycket större än PDF:en?
Office-XML skriver ut varje stycke, textstycke och stil i text, och bilder kan bäddas in, så utdatan kan bli större än källan. Det är en egenskap hos formatet, inte ett tecken på fel.
Fungerar det för ett skannat dokument?
Inte på ett användbart sätt. Utan textlager finns inget att importera förutom sidbilder. Kör OCR först för att få en textversion och konvertera sedan den.
Kan jag få taggarna från en tagged PDF?
Nej. Taggträdet i en tillgänglig PDF exporteras inte. Strukturen i XML-filen kommer från importörens layoutgissningar.
Vad ska jag göra om konverteringen misslyckas?
Kör Reparera PDF på PDF:en och konvertera igen. Misslyckas det fortfarande kan filen vara skadad bortom vad importören kan läsa.
Bevaras typsnitten?
Typsnittsnamn förs över som stilar när importören kan läsa dem, men utdatan bäddar inte in typsnittsfilerna, så XML-filen återges med ersättningstypsnitt om typsnittet inte är installerat.
Är det PDF:ens interna XML?
Nej. Det är LibreOffice som exporterar det importerade dokumentet som XML, inte PDF-objektträdet.
Varför är en skanning nästan tom?
LibreOffice har ingen text att importera. Använd OCR till Markdown för ord ur pixlar.
Kan jag välja en annan XML-dialekt?
Nej. Konverteraren sätter outputFormat till xml som standard och tillåter bara det värdet på den här vägen.
Vad skiljer det mot PDF till Word?
Samma importör, annan utdata. Word ger docx, doc eller odt. Den här vägen ger xml.

Senast uppdaterad:

Anropa från kod

Varje verktyg på webbplatsen är ett vanligt REST-anrop. För anonym användning behövs varken konto eller API-nyckel. Lika mycket för AI-agenter och utvecklare som för webbläsaren.

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

Finns också som MCP-verktyg för klienter som talar Model Context Protocol (JSON-RPC 2.0 via POST /mcp). Fullständig API-referens

Använd den från en AI-agent

Skill

Med den här skillen kan Claude Code, Codex, Cursor och andra AI-agenter köra ”PDF till XML” åt dig: /skills/pdf123-pdf-to-xml.md

Alla agent-skills

Filerna används bara för den här körningen och raderas automatiskt efteråt.