跳到主要内容
PPDF123

把 PDF 转成 XML

PDF 转 XML 通过 LibreOffice 导入 PDF,返回 Office 风格的 XML 文件。它是尽力而为的文字和版式导出,不是 PDF 结构或标签的副本。

把文件拖到这里,或点击选择

支持 PDF · 单个文件不超过 500.0 MB · 一次最多 20 个文件

也可以按 Ctrl/Cmd+V 或从剪贴板菜单粘贴文件。

PDF 转 XML 把文件送进 LibreOffice `writer_pdf_import`,`outputFormat=xml`。下载是 Office 风格的 XML 文档(`octet-stream`),不是 PDF 内容流或 tagged-PDF 结构的还原。

这和 PDF 转 Word 是同一族 LibreOffice 导入,只是目标换成 XML 而不是 DOCX。版式、表格和字体都是尽力而为。没有文字层的扫描件会变成图片或空段落。

本页没有选项。有密码保护的文件,在你输入密码后会在本页为你解锁;API 调用方需先运行移除密码。OCR 的 Markdown 不能送到这里。

若要从表格里拿行,PDF 转 CSV 用的是版面启发式方法。若只要字,PDF 转文本的输出更小。

输出是单个 XML 文件。它按办公套件理解文档的方式来描述:段落、文字片段、样式,以及嵌入的图片。它描述的不是 PDF 本身,所以里面找不到页面对象、PDF 中存储的原始字体,也找不到原始内容流的操作符。

按下一个程序期望什么来决定。如果某条流水线本来就读 LibreOffice 或 Office XML,这就是直接可用的输入。如果你想在脚本里读文字,纯文本更简单。如果你想编辑版式,请改转 Word,再用编辑器打开文件。

因为导入器是根据定位后的文字来重建段落的,段落内的换行、分栏、页眉和页脚,可能被放进与人工划分不同的结构里。请把这份 XML 当作需要检查的初稿,而不是 PDF 的忠实镜像。

功能

  • LibreOffice `writer_pdf_import` 转成 XML
  • 不是 PDF 结构导出,也不是 OCR
  • 没有页范围或 schema 选项
  • 匿名 API:/api/v1/convert/pdf/xml

适用场景

  • 把电子版 PDF 交给已经接收 Office XML 的流水线
  • 查看 LibreOffice 如何切分这份文档
  • 下一步不是 DOCX 时,拿一份 XML 草稿
  • 对同一份文档的两次导出做 XML 差异比较,看它们的结构有何不同
  • 把带样式名的段落级文字拉进一个已经熟悉 Office XML 词汇的脚本

如何把 PDF 转成 XML?

  1. 上传带文字的 PDF。
  2. 点击处理。本页没有格式选项。
  3. 下载 `.xml`。
  4. 用 LibreOffice 或编辑器打开,把它当草稿。
  5. 在 XML 里搜索 PDF 中的几个特有词。搜不到的话,这份 PDF 多半没有文字层,应先做 OCR。
  6. 在把 XML 交给任何自动化处理之前,先检查版面最复杂的地方,例如分栏、表格和脚注。

限制与边界

  • 不是 tagged-PDF,也不是 XFDF/XFA 抽取
  • 不是 OCR
  • 表格和分页不会与 PDF 一致
  • 字体只有名称,不嵌入
  • 非常大或很复杂的文件可能失败或耗时很长,因为整份文档要先导入
  • 本网站的上传上限:每个文件 500 MB,超过约 95 MB 时分块上传。直接调用 API 时,单个请求体上限为 100 MB。

示例

  • 文字处理软件导出的两页纯文字备忘录:XML 里是带样式的段落,搜索备忘录中的某个句子能找到它
  • 三栏的杂志页:文字会按导入器对页面的理解排序,可能把几栏交错在一起,所以请检查顺序
  • 30 页没有文字层的扫描件:XML 里主要是图片引用,下一步是 OCR
  • 文字备忘录常常变成带段落片段的大型 Office XML
  • 纯扫描 PDF 常常变成主要包着图片的 XML

本工具的隐私说明

文件经 HTTPS 上传,在服务器内存或短期临时目录中处理,结果就绪后即删除。我们不会为日后浏览、训练或广告画像保留副本。留存期限与 AdSense Cookie 说明见隐私政策。

常见问题

XML 会保留我的表格吗?
导入器把某处版面识别为表格时,可能会保留,但分页和单元格边界只是尽力而为。如果目标是行和列,PDF 转 CSV 是更直接的工具。
为什么文件比 PDF 大这么多?
Office XML 会用文字写出每个段落、文字片段和样式,还可能嵌入图片,所以输出可能比源文件大。这是格式本身的特性,不是出错的迹象。
扫描文档能用吗?
用处不大。没有文字层,除了页面图片就没有可导入的东西。请先 OCR 得到文字版本,再转换那份文件。
能拿到带标签 PDF 的标签吗?
不能。无障碍 PDF 的标签树不会被导出。XML 中的结构来自导入器对版面的猜测。
转换失败怎么办?
先对 PDF 运行修复,再重新转换。如果仍然失败,可能是文件损坏到导入器读不了的程度。
字体会保留吗?
导入器读得到字体名时,会把它作为样式保留,但输出不嵌入字体文件,所以没有安装该字体时,XML 会用替代字体渲染。
这是 PDF 内部的 XML 吗?
不是。这是 LibreOffice 把导入的文档导出为 XML,不是 PDF 对象树。
为什么扫描件几乎是空的?
LibreOffice 没有文字可导入。像素里的字请用 OCR 转 Markdown。
能选别的 XML 方言吗?
不能。这条路径把 outputFormat 默认设为 xml,也只允许这个值。
和 PDF 转 Word 有什么不同?
导入器相同,产出不同。PDF 转 Word 给 docx、doc 或 odt。这条路径给 xml。

最后更新:

用代码调用

本站每个工具都是普通 REST 接口。匿名使用不需要账号或 API Key,给浏览器、开发者和智能体同样可用。

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

也提供 MCP 工具,供说 Model Context Protocol 的客户端调用(JSON-RPC 2.0,POST /mcp)。 完整 API 文档

在 AI 代理中使用

Skill

装上这个 Skill,Claude Code、Codex、Cursor 等 AI 代理就能替你完成「PDF 转 XML」: /skills/pdf123-pdf-to-xml.md

全部 Agent Skill

文件只用于本次处理,完成后自动删除。