PDF vers XML
Convertissez le contenu d'un PDF en XML structuré. Titres, paragraphes et tableaux deviennent des éléments balisés que d'autres logiciels lisent directement.
Déposez votre PDF ici
ou cliquez pour parcourir
Extrayez le contenu d'un PDF en XML structuré : les blocs de texte et les lignes de tableau sont balisés comme éléments, si bien que le résultat peut être importé dans une base de données, un ERP ou un CMS au lieu d'être ressaisi à la main.
Le PDF est un format destiné à l'impression, pas un format de données : le texte est positionné de façon absolue et peut être lu depuis le fichier, mais celui-ci ne sait pas ce qu'est une « colonne » ou un « total ». Cet outil reconstruit une structure d'éléments raisonnable à partir de la mise en page, ce qui fonctionne bien pour les formulaires et les tableaux simples et demande une relecture pour les documents complexes à plusieurs colonnes. Le texte non latin est extrait tel quel lorsque le PDF intègre les polices nécessaires.
Comment extraire le contenu d'un PDF en XML
Ajoutez votre PDF
Convertissez en XML
Vérifiez la structure et téléchargez le fichier
Questions fréquentes
Le XML est-il une représentation parfaite du document ?
Non. La structure est déduite de la mise en page : elle est fidèle pour les formulaires et les tableaux simples, et approximative pour les pages complexes à plusieurs colonnes. Considérez-la comme un bon premier brouillon, pas comme une conversion certifiée.
Que contient le XML ?
Du contenu texte regroupé en éléments avec des informations de position. Les images ne sont pas intégrées : utilisez l'outil PDF en image si vous avez besoin des graphiques sous forme de fichiers.
Cela fonctionne-t-il avec des PDF scannés ?
Non. Un scan est une image de texte : il n'y a donc rien à extraire. Ces documents nécessitent d'abord une OCR.
Les fichiers protégés par mot de passe sont-ils pris en charge ?
Uniquement les documents qui s'ouvrent sans mot de passe. Retirez d'abord la protection si le fichier vous appartient.
Puis-je importer le résultat directement ?
Le XML est bien formé et peut être analysé par des outils standards, mais vous devrez normalement faire correspondre ses éléments à votre propre schéma avant de l'importer.
Mon PDF est-il envoyé sur un serveur ?
Non. L'extraction se déroule dans votre navigateur.
Que contient réellement le XML ?
Le texte extrait du document, réparti en éléments XML page par page. Il ne reprend ni la mise en page d'origine, ni les polices, ni les graphiques : il est conçu pour alimenter un autre système, pas pour reproduire le PDF.
Les tableaux sont-ils conservés ?
Uniquement sous forme de texte. Les lignes et les colonnes arrivent comme des lignes de texte dans l'ordre de lecture, car un PDF stocke des glyphes positionnés et non une structure de tableau. Si vous avez besoin de vraies cellules, tournez-vous plutôt vers l'outil « PDF vers Excel ».
Puis-je choisir l'encodage des caractères ?
Oui. UTF-8 convient à presque tous les usages ; ne choisissez UTF-16 que si un système en aval l'impose, car il double la taille du fichier pour du texte latin.
Cela fonctionne-t-il sur un scan ?
Non : une page scannée n'a pas de couche de texte à extraire. Lancez d'abord l'OCR, puis convertissez le PDF ainsi rendu interrogeable.
En un coup d'œil
| Entrée | |
|---|---|
| Fichiers multiples | Non |
| Où ça tourne | Dans votre navigateur - les fichiers ne sont jamais envoyés |
| Fonctionne hors ligne | Oui — une fois la page chargée |
| Tarif | Gratuit, sans inscription, sans filigrane |
Garder le texte sélectionnable et cherchable
Un PDF peut contenir du vrai texte ou l'image d'un texte, et la différence compte : le vrai texte peut être sélectionné, cherché, copié et lu à voix haute, tandis qu'une page numérisée ne le peut pas tant que personne n'y a appliqué l'OCR. Beaucoup d'outils de « réduction de taille » aplatissent silencieusement tout en images, ce qui allège le fichier mais détruit la recherche et rend le texte flou au zoom. Si un document doit rester utilisable - contrats, manuels, tout ce que vous devrez peut-être chercher plus tard - gardez le texte sous forme de texte et ne compressez que les images. Si vous partez d'un scan, lancez d'abord l'OCR, puis compressez.
Versions PDF, normes et compatibilité
Le PDF 1.4 est lisible par à peu près tout et constitue la valeur par défaut sûre pour les formulaires et le partage courant. Le PDF 1.7 a apporté une meilleure compression et c'est ce qu'écrivent la plupart des logiciels modernes. Le PDF/A est une variante d'archivage qui intègre chaque police et interdit toute dépendance externe pour que le fichier s'affiche encore à l'identique dans vingt ans - les services d'archives et certaines soumissions administratives l'exigent, et c'est un mauvais choix pour les fichiers du quotidien car il est plus lourd. Les PDF chiffrés doivent être déprotégés avant qu'un autre outil puisse y toucher, et un mot de passe de permissions (propriétaire) est plus faible qu'un mot de passe d'ouverture : il est là pour décourager l'impression et la copie, pas pour empêcher vraiment quelqu'un d'entrer.