PDF zu XML
Konvertieren Sie den Inhalt eines PDF in strukturiertes XML. Überschriften, Absätze und Tabellen werden zu ausgezeichneten Elementen, die andere Software
PDF hier ablegen
oder klicken zum Auswählen
Extrahieren Sie den Inhalt eines PDFs in strukturiertes XML: Textblöcke und Tabellenzeilen werden als Elemente ausgezeichnet, sodass das Ergebnis in eine Datenbank, ein ERP-System oder ein CMS importiert werden kann, statt von Hand abgetippt zu werden.
PDF ist ein Format zum Drucken, kein Datenformat – der Text ist absolut positioniert und lässt sich aus der Datei lesen, aber er weiß nicht, was eine „Spalte“ oder eine „Summe“ ist. Dieses Tool rekonstruiert eine sinnvolle Elementstruktur aus dem Layout; das funktioniert gut für Formulare und einfache Tabellen und muss bei komplexen mehrspaltigen Dokumenten geprüft werden. Nicht-lateinischer Text wird unverändert extrahiert, wenn das PDF die nötigen Schriften einbettet.
PDF-Inhalte als XML extrahieren – so geht es
Ihr PDF hinzufügen
In XML umwandeln
Die Struktur prüfen und die Datei herunterladen
Häufige Fragen
Ist das XML eine perfekte Abbildung des Dokuments?
Nein. Die Struktur wird aus dem Layout abgeleitet, ist bei Formularen und einfachen Tabellen also nah dran und bei komplexen mehrspaltigen Seiten nur ungefähr. Behandeln Sie das Ergebnis als guten ersten Entwurf, nicht als zertifizierte Konvertierung.
Was enthält das XML?
Textinhalte, in Elemente mit Positionsangaben gruppiert. Bilder werden nicht eingebettet – nutzen Sie das Tool „PDF zu Bild“, wenn Sie die Grafiken als Dateien brauchen.
Funktioniert es mit gescannten PDFs?
Nein. Ein Scan ist ein Bild von Text, es gibt also nichts zu extrahieren. Solche Dokumente brauchen zuerst OCR.
Werden passwortgeschützte Dateien unterstützt?
Nur Dokumente, die sich ohne Passwort öffnen lassen. Entfernen Sie den Schutz zuerst, wenn Ihnen die Datei gehört.
Kann ich das Ergebnis direkt importieren?
Das XML ist wohlgeformt und lässt sich von Standardwerkzeugen parsen, normalerweise werden Sie seine Elemente aber erst auf Ihr eigenes Schema abbilden, bevor Sie importieren.
Wird mein PDF hochgeladen?
Nein. Die Extraktion läuft in Ihrem Browser, die Verarbeitung findet also vollständig auf Ihrem Gerät statt.
Was enthält das XML eigentlich?
Den aus dem Dokument extrahierten Text, Seite für Seite in XML-Elemente gefasst. Das ursprüngliche Layout, die Schriften und die Grafiken sind nicht enthalten – das XML ist dafür gedacht, Inhalte in ein anderes System einzuspeisen, und nicht dafür, das PDF nachzubilden.
Bleiben Tabellen erhalten?
Nur als Text. Zeilen und Spalten kommen als Textzeilen in Leserichtung an, denn ein PDF speichert positionierte Glyphen und keine Tabellenstruktur. Wenn Sie echte Zellen brauchen, nutzen Sie stattdessen das Tool „PDF zu Excel“.
Kann ich die Zeichenkodierung wählen?
Ja. UTF-8 ist für fast jeden Zweck richtig; wählen Sie UTF-16 nur, wenn ein nachgelagertes System darauf besteht, da es die Dateigröße bei lateinischem Text verdoppelt.
Funktioniert es bei einem Scan?
Nein – eine gescannte Seite hat keine Textebene, aus der sich etwas extrahieren ließe. Führen Sie zuerst OCR aus und konvertieren Sie dann das durchsuchbare PDF.
Auf einen Blick
| Eingabe | |
|---|---|
| Mehrere Dateien | Nein |
| Läuft wo | In Ihrem Browser – Dateien werden nie hochgeladen |
| Funktioniert offline | Ja — sobald die Seite geladen ist |
| Preis | Kostenlos, keine Anmeldung, kein Wasserzeichen |
Text auswählbar und durchsuchbar halten
Eine PDF kann echten Text oder ein Bild von Text enthalten, und dieser Unterschied ist wichtig: Echter Text lässt sich auswählen, durchsuchen, kopieren und vorlesen, eine gescannte Seite dagegen erst, wenn jemand OCR darauf anwendet. Viele Werkzeuge zum „Verkleinern“ wandeln stillschweigend alles in Bilder um, was die Datei schrumpfen lässt, aber die Durchsuchbarkeit zerstört und den Text beim Zoomen unscharf macht. Wenn ein Dokument nutzbar bleiben soll – Verträge, Handbücher, alles, was Sie später durchsuchen möchten –, behalten Sie Text als Text und komprimieren Sie nur die Bilder. Wenn Sie von einem Scan ausgehen, führen Sie zuerst OCR aus und komprimieren Sie danach.
PDF-Versionen, Standards und Kompatibilität
PDF 1.4 lässt sich von praktisch allem lesen und ist die sichere Voreinstellung für Formulare und allgemeines Weitergeben. PDF 1.7 brachte eine bessere Kompression und ist das, was die meiste moderne Software schreibt. PDF/A ist eine Archivvariante, die jede Schrift einbettet und äußere Abhängigkeiten verbietet, damit die Datei auch in zwanzig Jahren identisch dargestellt wird – Archivstellen und manche behördlichen Einreichungen verlangen sie, und für alltägliche Dateien ist sie eine schlechte Wahl, weil sie größer ist. Verschlüsselte PDFs müssen entsperrt werden, bevor ein anderes Werkzeug sie bearbeiten kann, und ein Berechtigungs- (Eigentümer-)Passwort ist schwächer als ein Öffnungspasswort: Es soll vom Drucken und Kopieren abhalten, nicht jemanden aussperren.