PDF a XML
Convierte el contenido de un PDF en XML estructurado. Títulos, párrafos y tablas se vuelven elementos etiquetados que otros programas o bases de datos leen
Suelta tu PDF aquí
o haz clic para seleccionar
Extrae el contenido de un PDF a XML estructurado: los bloques de texto y las filas de tabla se etiquetan como elementos, así que el resultado se puede importar a una base de datos, un ERP o un CMS en lugar de volver a escribirlo a mano.
El PDF es un formato para imprimir, no un formato de datos: el texto está posicionado de forma absoluta y se puede leer del archivo, pero no sabe qué es una «columna» ni un «total». Esta herramienta reconstruye una estructura de elementos razonable a partir del diseño, lo que funciona bien en formularios y tablas sencillas y necesita revisión en documentos complejos de varias columnas. El texto no latino se extrae tal cual cuando el PDF incorpora las fuentes necesarias.
Cómo extraer el contenido de un PDF como XML
Añade tu PDF
Convierte a XML
Revisa la estructura y descarga el archivo
Preguntas frecuentes
¿El XML es una representación perfecta del documento?
No. La estructura se deduce del diseño, así que se acerca en formularios y tablas sencillas y es aproximada en páginas complejas de varias columnas. Tómalo como un buen primer borrador, no como una conversión certificada.
¿Qué contiene el XML?
Contenido de texto agrupado en elementos con información de posición. Las imágenes no se incrustan: usa la herramienta «PDF a Imagen» si necesitas los gráficos como archivos.
¿Funciona con PDF escaneados?
No. Un escaneo es una imagen de texto, así que no hay nada que extraer. Esos documentos necesitan OCR primero.
¿Se admiten archivos protegidos con contraseña?
Solo los documentos que se abren sin contraseña. Quita antes la protección si el archivo es tuyo.
¿Puedo importar el resultado directamente?
El XML está bien formado y las herramientas estándar pueden analizarlo, pero normalmente tendrás que asignar sus elementos a tu propio esquema antes de importarlo.
¿Se sube mi PDF?
No. La extracción ocurre en tu navegador, así que el proceso se ejecuta por completo en tu dispositivo.
¿Qué contiene realmente el XML?
El texto extraído del documento, envuelto en elementos XML página a página. No incluye el diseño, las fuentes ni los gráficos originales: está pensado para alimentar otro sistema con el contenido y no para reproducir el PDF.
¿Se conservan las tablas?
Solo como texto. Las filas y las columnas llegan como líneas de texto en orden de lectura, porque un PDF almacena glifos posicionados y no una estructura de tabla. Si necesitas celdas reales, usa mejor la herramienta «PDF a Excel».
¿Puedo elegir la codificación de caracteres?
Sí. UTF-8 es lo correcto para casi cualquier uso; elige UTF-16 solo cuando un sistema posterior lo exija, ya que duplica el tamaño del archivo en texto latino.
¿Funcionará con un escaneo?
No: una página escaneada no tiene capa de texto que extraer. Ejecuta primero el OCR y convierte después el PDF con capa de texto.
De un vistazo
| Entrada | |
|---|---|
| Varios archivos | No |
| Dónde se ejecuta | En tu navegador: los archivos no se suben nunca |
| Funciona sin conexión | Sí — una vez cargada la página |
| Precio | Gratis, sin registro y sin marca de agua |
Mantener el texto seleccionable y buscable
Un PDF puede contener texto real o una imagen de texto, y la diferencia importa: el texto real se puede seleccionar, buscar, copiar y leer en voz alta, mientras que una página escaneada no, hasta que alguien le aplica OCR. Muchas herramientas de «reducir tamaño» convierten en silencio todo en imágenes, lo que encoge el archivo pero destruye la búsqueda y hace que el texto se vea borroso al ampliarlo. Si un documento tiene que seguir siendo utilizable —contratos, manuales, cualquier cosa que puedas necesitar buscar más adelante—, mantén el texto como texto y comprime solo las imágenes. Si partes de un escaneo, aplica primero OCR y comprime después.
Versiones de PDF, estándares y compatibilidad
PDF 1.4 lo puede leer prácticamente todo y es la opción segura por defecto para formularios y para compartir en general. PDF 1.7 añadió mejor compresión y es lo que escribe la mayoría del software moderno. PDF/A es una variante de archivo que incrusta todas las fuentes y prohíbe las dependencias externas para que el archivo se siga viendo idéntico dentro de veinte años: los archivos y oficinas de documentación y algunas entregas oficiales lo exigen, y es una mala elección para archivos del día a día porque pesa más. Los PDF cifrados necesitan que se les quite la protección antes de que cualquier otra herramienta pueda tocarlos, y una contraseña de permisos (de propietario) es más débil que una contraseña de apertura: está pensada para desanimar la impresión y la copia, no para dejar a nadie fuera.