PDF إلى XML
حوّل محتوى ملف PDF إلى XML منظّم. تتحول العناوين والفقرات والجداول إلى عناصر موسومة يمكن للبرامج الأخرى أو قواعد البيانات قراءتها مباشرة دون أي تعديل يدوي.
أسقط ملف PDF هنا
أو انقر لتصفح الملفات
استخرج محتوى ملف PDF إلى XML منظّم: تُوسم كتل النص وصفوف الجداول كعناصر، فيمكن استيراد النتيجة إلى قاعدة بيانات أو نظام ERP أو CMS بدل إعادة كتابتها يدوياً.
إن PDF صيغة للطباعة لا صيغة للبيانات - فالنص متمركز بإحداثيات مطلقة ويمكن قراءته من الملف، لكنه لا يعرف ما معنى «عمود» ولا «إجمالي». وتعيد هذه الأداة بناء هيكل عناصر معقول انطلاقاً من التخطيط، وهو هيكل يفي بالغرض في النماذج والجداول البسيطة ويحتاج إلى مراجعة في المستندات المعقّدة متعددة الأعمدة. ويُستخرج النص غير اللاتيني كما هو عندما يضمّن ملف PDF الخطوط المطلوبة.
كيفية استخراج محتوى PDF بصيغة XML
أضف ملف PDF
حوّله إلى XML
راجع الهيكل ثم نزّل الملف
الأسئلة الشائعة
هل XML تمثيل مثالي للمستند؟
لا. يُستنتج الهيكل من التخطيط، فهو قريب في النماذج والجداول البسيطة وتقريبي في الصفحات المعقّدة متعددة الأعمدة. تعامل معه كمسودة أولى قوية، لا كتحويل معتمد.
ماذا يحتوي ملف XML؟
محتوى نصي مجمّع في عناصر مع معلومات الموضع. أما الصور فلا تُضمَّن - استخدم أداة تحويل PDF إلى صورة إن كنت تحتاج إلى الرسوم كملفات.
هل تعمل الأداة مع ملفات PDF الممسوحة ضوئياً؟
لا. المسح الضوئي صورة للنص، فلا يوجد ما يُستخرج منه. وتحتاج هذه المستندات إلى OCR أولاً.
هل الملفات المحمية بكلمة مرور مدعومة؟
المستندات التي تُفتح دون كلمة مرور فقط. أزل الحماية أولاً إن كان الملف ملكك.
هل يمكنني استيراد النتيجة مباشرة؟
ملف XML سليم البنية ويمكن للأدوات القياسية تحليله، لكنك عادةً ستحتاج إلى ربط عناصره بمخططك الخاص قبل الاستيراد.
هل يُرفع ملف PDF إلى خادم؟
لا. يتم الاستخراج داخل متصفحك.
ماذا يحتوي ملف XML فعلاً؟
النص المستخرج من المستند، ملفوفاً في عناصر XML صفحةً بصفحة. وهو لا يحمل التخطيط الأصلي ولا الخطوط ولا الرسوم، لأنه مبني لتغذية نظام آخر بالمحتوى لا لإعادة إنتاج ملف PDF.
هل تُحفظ الجداول؟
كنص فقط. فالأسطر والأعمدة تصل كأسطر نصية بترتيب القراءة، لأن ملف PDF يخزّن محارف محدّدة الموضع لا بنية جدول. وإن احتجت خلايا حقيقية فاستخدم أداة PDF إلى Excel بدلاً من ذلك.
هل يمكنني اختيار ترميز الأحرف؟
نعم. ترميز UTF-8 هو الصحيح في كل الاستخدامات تقريباً، ولا تختر UTF-16 إلا إذا أصرّ نظام لاحق عليه، لأنه يضاعف حجم الملف في النصوص اللاتينية.
هل تعمل مع ملف ممسوح ضوئياً؟
لا، فالصفحة الممسوحة لا تحتوي طبقة نصية تُستخرج. شغّل OCR أولاً، ثم حوّل ملف PDF القابل للبحث.
نظرة سريعة
| المدخل | |
|---|---|
| عدة ملفات | لا |
| مكان التشغيل | في متصفحك، ولا تُرفع الملفات أبداً |
| يعمل دون اتصال | نعم — بعد تحميل الصفحة |
| السعر | مجاني، بلا تسجيل وبلا علامة مائية |
الحفاظ على النص قابلاً للتحديد والبحث
قد يحتوي ملف PDF نصاً حقيقياً أو صورة لنص، والفرق مهم: فالنص الحقيقي يمكن تحديده والبحث فيه ونسخه وقراءته بصوت عالٍ، أما الصفحة الممسوحة ضوئياً فلا يمكن ذلك فيها حتى يشغّل أحدهم عليها OCR. وكثير من أدوات «تقليل الحجم» تسطّح كل شيء في صور بصمت، فيصغر الملف لكن قابلية البحث تتلف ويصبح النص ضبابياً عند التكبير. وإن كان المستند يجب أن يبقى صالحاً للاستخدام، مثل العقود والأدلة وكل ما قد تحتاج إلى البحث فيه لاحقاً، فاترك النص نصاً واضغط الصور وحدها. وإن كنت تبدأ من مسح ضوئي فشغّل OCR أولاً ثم اضغط.
إصدارات PDF ومعاييره وتوافقه
يُقرأ PDF 1.4 في كل شيء تقريباً، وهو الخيار الافتراضي الآمن للنماذج والمشاركة العامة. وقد أضاف PDF 1.7 ضغطاً أفضل، وهو الإصدار الذي تكتبه معظم البرامج الحديثة. أما PDF/A فهو نسخة أرشيفية تضمّن كل الخطوط وتمنع الاعتماد على أي شيء خارجي كي يبقى الملف معروضاً بالشكل نفسه بعد عشرين سنة، وتشترطه مكاتب الأرشيف وبعض الجهات الحكومية في التسليمات، لكنه اختيار رديء للملفات اليومية لأنه أكبر حجماً. وتحتاج ملفات PDF المشفّرة إلى إزالة الحماية قبل أن تتعامل معها أي أداة أخرى، وكلمة مرور الأذونات (المالك) أضعف من كلمة مرور الفتح: فهي موضوعة لتصرف عن الطباعة والنسخ، لا لتمنع أحداً من الدخول.