PDF ke XML
Konversi isi file PDF menjadi XML terstruktur. Judul, paragraf, dan tabel berubah menjadi elemen bertanda yang bisa dibaca langsung oleh perangkat lunak atau
Letakkan PDF Anda di sini
atau klik untuk memilih file
Ekstrak isi PDF menjadi XML terstruktur: blok teks dan baris tabel ditandai sebagai elemen, sehingga hasilnya bisa diimpor ke basis data, sistem ERP, atau CMS alih-alih diketik ulang secara manual.
PDF adalah format untuk mencetak, bukan format data - teksnya diposisikan secara absolut dan bisa dibaca dari file, tetapi PDF tidak tahu apa itu "kolom" atau "total". Alat ini merekonstruksi struktur elemen yang wajar dari tata letaknya, cocok untuk formulir dan tabel sederhana, serta perlu ditinjau untuk dokumen multi-kolom yang rumit. Teks non-Latin diekstrak apa adanya bila PDF menyematkan font yang diperlukan.
Cara mengekstrak konten PDF sebagai XML
Tambahkan PDF Anda
Konversi ke XML
Tinjau strukturnya lalu unduh filenya
FAQ
Apakah XML-nya mewakili dokumen secara sempurna?
Tidak. Strukturnya disimpulkan dari tata letak, jadi cukup dekat untuk formulir dan tabel sederhana serta hanya perkiraan untuk halaman multi-kolom yang rumit. Anggap ini draf pertama yang kuat, bukan konversi bersertifikat.
Apa isi XML-nya?
Konten teks yang dikelompokkan menjadi elemen beserta informasi posisinya. Gambar tidak disematkan - gunakan alat "PDF ke Gambar" jika Anda butuh grafiknya sebagai file.
Apakah berfungsi dengan PDF hasil pindai?
Tidak. Hasil pindai adalah gambar dari teks, jadi tidak ada yang bisa diekstrak. Dokumen seperti itu perlu melalui OCR lebih dulu.
Apakah file yang dilindungi kata sandi didukung?
Hanya dokumen yang bisa dibuka tanpa kata sandi. Hapus dulu proteksinya jika file itu milik Anda.
Bisakah hasilnya langsung diimpor?
XML-nya sudah berbentuk benar dan bisa diurai oleh alat standar, tetapi biasanya Anda perlu memetakan elemennya ke skema Anda sendiri sebelum mengimpor.
Apakah PDF saya diunggah?
Tidak. Ekstraksinya berjalan di browser Anda.
Apa sebenarnya isi XML-nya?
Teks yang diekstrak dari dokumen, dibungkus dalam elemen XML halaman demi halaman. XML ini tidak membawa tata letak, font, atau grafik aslinya - XML ini dibuat untuk memasukkan konten ke sistem lain, bukan untuk mereproduksi PDF-nya.
Apakah tabelnya dipertahankan?
Hanya sebagai teks. Baris dan kolom datang sebagai baris teks dalam urutan baca, karena PDF menyimpan glyph yang berposisi, bukan struktur tabel. Jika Anda butuh sel yang sungguhan, lihat alat PDF ke Excel.
Bisakah saya memilih pengodean karakternya?
Bisa. UTF-8 cocok untuk hampir semua keperluan; pilih UTF-16 hanya bila sistem di hilir mengharuskannya, karena UTF-16 menggandakan ukuran file untuk teks Latin.
Apakah berfungsi pada hasil pindai?
Tidak - halaman hasil pindai tidak punya lapisan teks untuk diekstrak. Jalankan OCR lebih dulu, lalu konversi PDF yang sudah bisa dicari.
Sekilas
| Masukan | |
|---|---|
| Beberapa file | Tidak |
| Dijalankan di | Di browser Anda - file tidak pernah diunggah |
| Bekerja offline | Ya — setelah halaman dimuat |
| Harga | Gratis, tanpa pendaftaran, tanpa tanda air |
Menjaga teks tetap bisa dipilih dan dicari
Sebuah PDF bisa memuat teks sungguhan atau gambar dari teks, dan perbedaan itu penting: teks sungguhan dapat dipilih, dicari, disalin, dan dibacakan, sedangkan halaman hasil pindai tidak bisa sampai seseorang menjalankan OCR padanya. Banyak alat "perkecil ukuran" diam-diam meratakan semuanya menjadi gambar, yang memang memperkecil file tetapi menghancurkan kemampuan pencarian dan membuat teksnya kabur saat diperbesar. Jika sebuah dokumen harus tetap bisa dipakai - kontrak, manual, apa pun yang mungkin perlu Anda cari lagi nanti - biarkan teksnya tetap sebagai teks dan kompresi hanya gambarnya. Jika Anda berawal dari hasil pindai, jalankan OCR dulu, baru kompresi.
Versi, standar, dan kompatibilitas PDF
PDF 1.4 dapat dibaca oleh hampir apa pun dan menjadi default yang aman untuk formulir dan berbagi secara umum. PDF 1.7 menambahkan kompresi yang lebih baik dan merupakan versi yang ditulis sebagian besar perangkat lunak modern. PDF/A adalah varian arsip yang menyematkan setiap font dan melarang ketergantungan dari luar agar file tetap tampil identik dalam dua puluh tahun - kantor arsip dan sebagian pengajuan pemerintah mensyaratkannya, dan format ini pilihan yang buruk untuk file sehari-hari karena ukurannya lebih besar. PDF terenkripsi perlu dihilangkan dulu proteksinya sebelum alat lain bisa menyentuhnya, dan kata sandi izin akses (pemilik) lebih lemah daripada kata sandi buka: maksudnya untuk mencegah pencetakan dan penyalinan, bukan untuk menahan orang di luar.