แปลง PDF เป็น XML
PDF เป็น XML คือเครื่องมือที่นำ PDF เข้าผ่าน LibreOffice แล้วส่งไฟล์ XML สไตล์ Office กลับมา เป็นการส่งออกข้อความและเลย์เอาต์แบบพยายามให้ใกล้เคียง ไม่ใช่สำเนาโครงสร้างหรือแท็กของ PDF
ลากไฟล์มาที่นี่ หรือคลิกเพื่อเลือก
รองรับ PDF · ไม่เกิน 500.0 MB ต่อไฟล์ · สูงสุด 20 ไฟล์ต่อครั้ง
คุณวางไฟล์ด้วย Ctrl/Cmd+V หรือจากเมนูคลิปบอร์ดได้เช่นกัน
PDF เป็น XML ส่งไฟล์เข้า LibreOffice `writer_pdf_import` ด้วย `outputFormat=xml` ไฟล์ที่ดาวน์โหลดเป็นเอกสาร XML แบบ Office (`octet-stream`) ไม่ใช่การสร้างสตรีมเนื้อหาของ PDF หรือโครงสร้าง tagged-PDF ขึ้นใหม่
นี่เป็นตระกูลตัวนำเข้าของ LibreOffice เดียวกับการแปลงเป็น Word เพียงแต่ปลายทางเป็น XML แทน DOCX เลย์เอาต์ ตาราง และแบบอักษรเป็นแบบทำเท่าที่ทำได้ สแกนที่ไม่มีชั้นข้อความจะถูกนำเข้าเป็นรูปภาพหรือช่วงข้อความว่าง
หน้านี้ไม่มีตัวเลือก ไฟล์ที่มีรหัสผ่านจะถูกปลดล็อกให้ในหน้านี้เมื่อคุณใส่รหัสผ่าน ส่วนผู้เรียก API ให้รันถอดรหัสผ่านก่อน ส่ง Markdown จาก OCR มาที่นี่ไม่ได้
ถ้าต้องการแถวจากตาราง PDF เป็น CSV ใช้การคาดเดาเลย์เอาต์ ถ้าต้องการเฉพาะคำ PDF เป็นข้อความให้ไฟล์ที่เล็กกว่า
ผลลัพธ์เป็นไฟล์ XML ไฟล์เดียว ซึ่งบรรยายเอกสารตามแบบที่ชุดโปรแกรมออฟฟิศเข้าใจ คือย่อหน้า ช่วงข้อความ สไตล์ และรูปภาพที่ฝังอยู่ ไม่ได้บรรยายตัว PDF เอง จึงจะไม่พบอ็อบเจ็กต์หน้า แบบอักษรตามที่ PDF เก็บไว้ หรือตัวดำเนินการสตรีมเนื้อหาต้นฉบับในไฟล์นี้
ให้ตัดสินจากสิ่งที่โปรแกรมถัดไปของคุณคาดหวัง ถ้าท่อประมวลผลอ่าน XML ของ LibreOffice หรือ Office อยู่แล้ว นี่คืออินพุตโดยตรง ถ้าต้องการอ่านคำในสคริปต์ ข้อความล้วนง่ายกว่า ถ้าต้องการแก้เลย์เอาต์ ให้แปลงเป็น Word แทนแล้วเปิดไฟล์ในตัวแก้ไข
เนื่องจากตัวนำเข้าสร้างย่อหน้าขึ้นใหม่จากข้อความที่ระบุตำแหน่ง การขึ้นบรรทัดใหม่ภายในย่อหน้า คอลัมน์ ส่วนหัวและส่วนท้ายอาจถูกวางในโครงสร้างที่ต่างจากที่คนจะวาด ให้ถือว่า XML เป็นการประมวลผลรอบแรกที่ต้องตรวจสอบ ไม่ใช่กระจกที่สะท้อน PDF ได้ตรงทุกอย่าง
ความสามารถ
- LibreOffice `writer_pdf_import` เป็น XML
- ไม่ใช่การส่งออกโครงสร้าง PDF และไม่ใช่ OCR
- ไม่มีตัวเลือกช่วงหน้าหรือ schema
- API แบบไม่ระบุตัวตนที่ /api/v1/convert/pdf/xml
ใช้เมื่อไหร่
- ส่ง PDF ที่สร้างจากไฟล์ดิจิทัลโดยตรงเข้าท่อประมวลผลที่รับ XML แบบ Office อยู่แล้ว
- ตรวจดูว่า LibreOffice แยกส่วนของเอกสารอย่างไร
- ได้ฉบับร่าง XML เมื่อ DOCX ไม่ใช่ขั้นตอนถัดไปที่เหมาะ
- เทียบโครงสร้างของการส่งออกสองครั้งจากเอกสารเดียวกันด้วยการ diff ผลลัพธ์ XML
- ดึงข้อความระดับย่อหน้าพร้อมชื่อสไตล์เข้าสคริปต์ที่รู้จักคำศัพท์ของ XML แบบ Office อยู่แล้ว
แปลง PDF เป็น XML ได้อย่างไร
- อัปโหลด PDF ที่มีข้อความ
- คลิกเริ่มประมวลผล หน้านี้ไม่มีตัวเลือกฟอร์แมต
- ดาวน์โหลดไฟล์ `.xml`
- เปิดด้วย LibreOffice หรือตัวแก้ไข แล้วถือว่าเป็นฉบับร่าง
- ค้นหาคำเด่น ๆ สองสามคำจาก PDF ใน XML ถ้าหาไม่พบ PDF น่าจะไม่มีชั้นข้อความ และคุณควรใช้ OCR ก่อน
- ตรวจจุดที่เลย์เอาต์ยากที่สุด เช่น คอลัมน์ ตาราง และเชิงอรรถ ก่อนส่ง XML ให้ระบบอัตโนมัติใด ๆ
ข้อจำกัดและกรณีพิเศษ
- ไม่ใช่การดึง tagged-PDF หรือ XFDF/XFA
- ไม่ใช่ OCR
- ตารางและการแบ่งหน้าจะไม่ตรงกับ PDF
- ระบุชื่อแบบอักษรแต่ไม่ฝังไฟล์แบบอักษร
- ไฟล์ที่ใหญ่มากหรือซับซ้อนอาจล้มเหลวหรือใช้เวลานาน เพราะต้องนำเข้าทั้งเอกสารก่อน
- ขีดจำกัดการอัปโหลดบนเว็บไซต์นี้: ไฟล์ละ 500 MB โดยไฟล์ที่ใหญ่กว่าประมาณ 95 MB จะถูกส่งเป็นส่วน ๆ ส่วนเนื้อหาของคำขอ API โดยตรงหนึ่งครั้งจำกัดที่ 100 MB
ตัวอย่าง
- บันทึกข้อความล้วนสองหน้าจากโปรแกรมประมวลผลคำ: XML เก็บย่อหน้าพร้อมสไตล์ และการค้นหาประโยคจากบันทึกนั้นจะพบ
- หน้านิตยสารสามคอลัมน์: คาดว่าข้อความจะเรียงตามการอ่านหน้าของตัวนำเข้า ซึ่งอาจสลับคอลัมน์ปนกัน จึงควรตรวจลำดับ
- สแกน 30 หน้าที่ไม่มีชั้นข้อความ: XML ส่วนใหญ่มีแต่การอ้างอิงภาพ และขั้นถัดไปคือ OCR
- บันทึกข้อความมักได้ไฟล์ XML แบบ Office ขนาดใหญ่ที่มีช่วงย่อหน้า
- PDF ที่เป็นสแกนล้วนมักได้ XML ที่ส่วนใหญ่ห่อภาพไว้
ความเป็นส่วนตัวของเครื่องมือนี้
ไฟล์อัปโหลดผ่าน HTTPS ประมวลผลในหน่วยความจำหรือไดเรกทอรีชั่วคราวอายุสั้นบนเซิร์ฟเวอร์ของเรา และลบเมื่อผลลัพธ์พร้อม เราไม่เก็บสำเนาไว้เปิดดูภายหลัง ฝึกโมเดล หรือสร้างโปรไฟล์โฆษณา รายละเอียดการเก็บรักษาและการเปิดเผยคุกกี้ AdSense อยู่ในนโยบายความเป็นส่วนตัว
คำถามที่พบบ่อย
- XML คงตารางของฉันไว้ไหม
- อาจคงไว้เมื่อตัวนำเข้าจำแนกเลย์เอาต์นั้นเป็นตาราง แต่การแบ่งหน้าและขอบเขตเซลล์เป็นแบบทำเท่าที่ทำได้ ถ้าเป้าหมายคือแถวและคอลัมน์ PDF เป็น CSV เป็นเครื่องมือที่ตรงกว่า
- ทำไมไฟล์ใหญ่กว่า PDF มาก
- XML แบบ Office เขียนทุกย่อหน้า ช่วงข้อความ และสไตล์ออกมาเป็นข้อความ และรูปภาพอาจถูกฝังไว้ ผลลัพธ์จึงอาจใหญ่กว่าต้นฉบับ นี่เป็นธรรมชาติของฟอร์แมต ไม่ใช่สัญญาณของข้อผิดพลาด
- ใช้กับเอกสารสแกนได้ไหม
- ไม่ได้ผลที่มีประโยชน์ เมื่อไม่มีชั้นข้อความ ก็ไม่มีอะไรให้นำเข้านอกจากภาพของหน้า ให้รัน OCR ก่อนเพื่อได้ฉบับข้อความ แล้วจึงแปลงฉบับนั้น
- ได้แท็กจาก tagged PDF ไหม
- ไม่ได้ ต้นไม้แท็กของ PDF ที่เข้าถึงได้ไม่ถูกส่งออก โครงสร้างใน XML มาจากการคาดเดาเลย์เอาต์ของตัวนำเข้า
- ถ้าการแปลงล้มเหลวควรทำอย่างไร
- ลองรันซ่อม PDF กับไฟล์ แล้วแปลงอีกครั้ง ถ้ายังล้มเหลว ไฟล์อาจเสียหายเกินกว่าที่ตัวนำเข้าจะอ่านได้
- แบบอักษรถูกรักษาไว้ไหม
- ชื่อแบบอักษรจะถูกเก็บเป็นสไตล์เมื่อตัวนำเข้าอ่านได้ แต่ผลลัพธ์ไม่ฝังไฟล์แบบอักษร ดังนั้น XML จะแสดงด้วยแบบอักษรทดแทนหากไม่ได้ติดตั้งแบบอักษรนั้น
- นี่คือ XML ภายในของ PDF หรือไม่
- ไม่ใช่ นี่คือ LibreOffice ส่งออกเอกสารที่นำเข้าเป็น XML ไม่ใช่ต้นไม้อ็อบเจ็กต์ของ PDF
- ทำไมสแกนเกือบว่าง
- LibreOffice ไม่มีข้อความให้นำเข้า ถ้าต้องการคำจากพิกเซล ให้ใช้ OCR เป็น Markdown
- เลือก XML แบบอื่นได้ไหม
- ไม่ได้ ตัวแปลงตั้ง outputFormat เป็น xml เป็นค่าเริ่มต้นและอนุญาตเฉพาะค่านั้นในเส้นทางนี้
- ต่างจากการแปลงเป็น Word อย่างไร
- ตัวนำเข้าเดียวกัน ผลลัพธ์ต่างกัน Word ให้ docx/doc/odt เส้นทางนี้ให้ xml
อัปเดตล่าสุด:
เรียกจากโค้ด
เครื่องมือทุกตัวบนเว็บนี้เป็น REST endpoint ธรรมดา ไม่ต้องมีบัญชีหรือคีย์ API ก็เรียกได้ ใช้ได้ทั้งเบราว์เซอร์ นักพัฒนา และเอเจนต์
curl -X POST "https://pdf123.xyz/api/v1/convert/pdf/xml" \
-F "[email protected]" \
-o output.pdfมีเป็นเครื่องมือ MCP สำหรับไคลเอนต์เอเจนต์ที่รองรับ Model Context Protocol (JSON-RPC 2.0 ผ่าน POST /mcp) เอกสาร API ฉบับเต็ม
ใช้งานผ่านเอเจนต์ AI
สกิลเมื่อติดตั้งสกิลนี้ Claude Code, Codex, Cursor และเอเจนต์ AI อื่น ๆ จะใช้ "PDF เป็น XML" แทนคุณได้: /skills/pdf123-pdf-to-xml.md
ไฟล์ใช้เฉพาะงานนี้ เสร็จแล้วลบอัตโนมัติ