Nenda kwenye maudhui makuu
PPDF123

Geuza PDF kuwa XML

PDF kuwa XML huingiza PDF kupitia LibreOffice na kurudisha faili ya XML ya mtindo wa Office. Ni usafirishaji wa maandishi na mpangilio kwa juhudi bora, si nakala ya muundo au lebo za PDF.

Buruta faili hapa, au bofya uchague

Inakubali PDF · hadi 500.0 MB kwa kila faili · hadi faili 20 kwa mara moja

Unaweza pia kubandika faili kwa Ctrl/Cmd+V au kutoka kwenye menyu ya ubao wa kunakili.

PDF kuwa XML hupitisha faili kupitia LibreOffice `writer_pdf_import` na `outputFormat=xml`. Faili inayopakuliwa ni hati ya XML ya mtindo wa Office (`octet-stream`), si ujenzi upya wa mikondo ya maudhui ya PDF wala muundo wa PDF yenye lebo.

Hii ni familia ile ile ya uingizaji ya LibreOffice kama PDF kuwa Word, inayolenga XML badala ya DOCX. Mpangilio, majedwali, na fonti ni juhudi bora. Skani zisizo na safu ya maandishi huingizwa kama picha au vipande tupu.

Hakuna chaguo kwenye ukurasa huu. Faili zilizolindwa kwa nenosiri hufunguliwa kwa ajili yako kwenye ukurasa huu ukishaingiza nenosiri; wapigaji wa API waendeshe Ondoa nenosiri kwanza. OCR Markdown haiwezi kutumwa hapa.

Ikiwa unahitaji safu kutoka kwenye jedwali, PDF kuwa CSV ndiyo mbinu ya kukisia mpangilio. Ikiwa unahitaji maneno tu, PDF kuwa RTF (maandishi) ni ndogo zaidi.

Towe ni faili moja ya XML. Inaeleza hati kama vile suti ya ofisi inavyoielewa: aya, vipande vya maandishi, mitindo, na picha zozote zilizopachikwa. Haielezi PDF yenyewe, kwa hiyo hutapata vitu vya ukurasa, fonti kama PDF ilivyozihifadhi, wala waendeshaji asili wa mkondo wa maudhui ndani yake.

Amua kulingana na kile programu yako inayofuata inatarajia. Ikiwa mtiririko wa kazi tayari husoma XML ya LibreOffice au Office, hii ni pembejeo ya moja kwa moja. Ikiwa unataka kusoma maneno kwenye hati-andishi, maandishi matupu ni rahisi zaidi. Ikiwa unataka kuhariri mpangilio, geuza kuwa Word badala yake na ufungue faili katika kihariri.

Kwa sababu kiingizaji hujenga upya aya kutoka kwa maandishi yaliyowekwa kwa nafasi, mapumziko ya mstari ndani ya aya, safu, vichwa na vijachini vinaweza kuwekwa katika muundo tofauti na ule ambao binadamu angechora. Chukulia XML kama hatua ya kwanza ya kukaguliwa, si kioo mwaminifu cha PDF.

Sifa

  • LibreOffice `writer_pdf_import` kuwa XML
  • Si mauzo ya muundo wa PDF wala OCR
  • Hakuna masafa ya kurasa wala chaguo la schema
  • API isiyo na jina: /api/v1/convert/pdf/xml

Lini utumie

  • Kulisha PDF iliyozaliwa kidijitali kwenye mtiririko wa kazi unaotumia XML ya Office tayari
  • Kukagua jinsi LibreOffice ilivyogawa hati kuwa vipande
  • Kupata rasimu ya XML wakati DOCX si hatua inayofuata sahihi
  • Kulinganisha jinsi mauzo mawili ya hati ile ile yalivyopangwa kwa kutofautisha towe lao la XML
  • Kuvuta maandishi ya ngazi ya aya pamoja na majina ya mitindo kwenye hati-andishi inayojua msamiati wa XML ya Office tayari

Ninageuzaje PDF kuwa XML?

  1. Pakia PDF yenye maandishi.
  2. Bofya Chakata. Hakuna uchaguzi wa umbizo kwenye ukurasa huu.
  3. Pakua faili ya `.xml`.
  4. Ifungue katika LibreOffice au kihariri na ichukulie kama rasimu.
  5. Tafuta ndani ya XML maneno machache bainifu kutoka kwenye PDF. Usipoyapata, PDF huenda haina safu ya maandishi na unapaswa kutumia OCR kwanza.
  6. Kagua maeneo magumu zaidi ya mpangilio, kama safu, majedwali na maelezo ya chini, kabla ya kulisha XML kwa kitu chochote cha kiotomatiki.

Mipaka na hali maalum

  • Si uchimbaji wa PDF yenye lebo wala XFDF/XFA
  • Si OCR
  • Majedwali na mgawanyo wa kurasa hautalingana na PDF
  • Fonti hutajwa lakini hazipachikwi
  • Faili kubwa sana au tata zinaweza kushindwa au kuchukua muda mrefu, kwa sababu hati nzima huingizwa kwanza
  • Kikomo cha kupakia kwenye tovuti hii: MB 500 kwa kila faili, likitumwa kwa vipande zaidi ya takriban MB 95. Mwili wa ombi moja la moja la API una kikomo cha MB 100.

Mifano

  • Memo ya kurasa mbili yenye maandishi pekee kutoka kwenye kichakataji maneno: XML ina aya pamoja na mitindo yake, na kutafuta sentensi kutoka kwenye memo huipata
  • Ukurasa wa jarida wenye safu tatu: tarajia maandishi yapangwe kulingana na usomaji wa kiingizaji wa ukurasa, ambao unaweza kuchanganya safu, kwa hiyo kagua mpangilio
  • Skani ya kurasa 30 isiyo na safu ya maandishi: XML ina hasa marejeo ya picha, na hatua inayofuata ni OCR
  • Memo ya maandishi mara nyingi huwa faili kubwa ya XML ya Office yenye vipande vya aya
  • PDF ya skani pekee mara nyingi huwa XML inayofunika picha tu

Faragha ya zana hii

Faili hupakiwa kupitia HTTPS, zinachakatwa kwenye kumbukumbu au folda ya muda mfupi kwenye seva zetu, na kufutwa matokeo yakiwa tayari. Hatuhifadhi nakala kwa kuvinjari baadaye, mafunzo, au wasifu wa matangazo. Tazama Sera ya Faragha kwa maelezo ya uhifadhi na ufichuzi wa vidakuzi vya AdSense.

Maswali ya kawaida

Je, XML huhifadhi majedwali yangu?
Inaweza kuhifadhi jedwali kiingizaji kinapotambua mpangilio kuwa jedwali, lakini mgawanyo wa kurasa na mipaka ya seli ni juhudi bora. Ikiwa lengo ni safu na nguzo, PDF kuwa CSV ndiyo zana ya moja kwa moja zaidi.
Kwa nini faili ni kubwa zaidi kuliko PDF?
XML ya Office huandika kila aya, kipande na mtindo kwa maandishi, na picha zinaweza kupachikwa, kwa hiyo towe linaweza kuwa kubwa kuliko chanzo. Hiyo ni sifa ya umbizo, si dalili ya kosa.
Je, itafanya kazi kwa hati iliyoskaniwa?
Si kwa njia yenye manufaa. Bila safu ya maandishi hakuna cha kuingiza isipokuwa picha za kurasa. Fanya OCR kwanza ili kupata toleo la maandishi, kisha ugeuze hilo.
Je, ninaweza kupata lebo kutoka kwa PDF yenye lebo?
Hapana. Mti wa lebo wa PDF inayofikika haihamishwi. Muundo ulio kwenye XML unatokana na makadirio ya mpangilio ya kiingizaji.
Nifanye nini ugeuzi ukishindwa?
Jaribu Rekebisha kwenye PDF na uendeshe ugeuzi tena. Ikiwa bado unashindwa, faili inaweza kuwa imeharibika kupita kile ambacho kiingizaji kinaweza kusoma.
Je, fonti zinahifadhiwa?
Majina ya fonti hubebwa kama mitindo kiingizaji kinapoweza kuyasoma, lakini towe halipachiki faili za fonti, kwa hiyo XML itaonyeshwa kwa mbadala ikiwa fonti haijasakinishwa.
Je, hii ni XML ya ndani ya PDF?
Hapana. Ni LibreOffice ikisafirisha hati iliyoingizwa kama XML, si mti wa vitu vya PDF.
Kwa nini skani ni karibu tupu?
LibreOffice haina maandishi ya kuingiza. Tumia OCR kuwa Markdown kupata maneno kutoka kwa pikseli.
Je, ninaweza kuchagua lahaja nyingine ya XML?
Hapana. Kigeuzi huweka outputFormat kuwa xml kwa chaguo-msingi na huruhusu thamani hiyo tu kwenye njia hii.
Inatofautianaje na PDF kuwa Word?
Kiingizaji kilekile, towe tofauti. Word hutoa docx/doc/odt. Njia hii hutoa xml.

Ilisasishwa mwisho:

Tumia kutoka msimbo

Kila zana hapa ni REST. Matumizi bila kujisajili hayahitaji akaunti wala ufunguo wa API. Inafaa kivinjari, watengenezaji, na mawakala wa AI.

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

Pia inapatikana kama zana ya MCP kwa programu zinazotumia Model Context Protocol (JSON-RPC 2.0, POST /mcp). Maelezo kamili ya API

Itumie kupitia wakala wa AI

Skill

Ukiwa na skill hii, Claude Code, Codex, Cursor na mawakala wengine wa AI wanaweza kukuendeshea "PDF kuwa XML": /skills/pdf123-pdf-to-xml.md

Skill zote za mawakala

Faili inatumika kazi hii tu, kisha inafutwa yenyewe.