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?
- 上传带文字的 PDF。
- 点击处理。本页没有格式选项。
- 下载 `.xml`。
- 用 LibreOffice 或编辑器打开,把它当草稿。
- 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。
- 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
文件只用于本次处理,完成后自动删除。