PDF in XML
Converti il contenuto di un PDF in XML strutturato. Titoli, paragrafi e tabelle diventano elementi con tag che altri software o database possono leggere
Trascina qui il tuo PDF
oppure clicca per scegliere un file
Estrai il contenuto di un PDF in XML strutturato: i blocchi di testo e le righe di tabella vengono marcati come elementi, così il risultato può essere importato in un database, in un sistema ERP o in un CMS invece di essere ribattuto a mano.
Il PDF è un formato per la stampa, non un formato dati: il testo ha una posizione assoluta e può essere letto dal file, ma non sa cosa sia una "colonna" o un "totale". Questo strumento ricostruisce una struttura di elementi ragionevole a partire dal layout, il che funziona bene per moduli e tabelle semplici e richiede una revisione nei documenti complessi a più colonne. I testi non latini vengono estratti così come sono quando il PDF incorpora i font necessari.
Come estrarre il contenuto di un PDF in XML
Aggiungi il tuo PDF
Converti in XML
Controlla la struttura e scarica il file
FAQ
L'XML è una rappresentazione perfetta del documento?
No. La struttura viene dedotta dal layout, quindi è vicina per moduli e tabelle semplici e approssimativa per pagine complesse a più colonne. Considerala una buona prima bozza, non una conversione certificata.
Cosa contiene l'XML?
Contenuto testuale raggruppato in elementi con informazioni di posizione. Le immagini non vengono incorporate: usa lo strumento PDF in immagini se ti servono le grafiche come file.
Funziona con i PDF scansionati?
No. Una scansione è la fotografia di un testo, quindi non c'è nulla da estrarre. Quei documenti richiedono prima l'OCR.
I file protetti da password sono supportati?
Solo i documenti che si aprono senza password. Se il file è tuo, rimuovi prima la protezione.
Posso importare il risultato direttamente?
L'XML è ben formato e può essere letto dagli strumenti standard, ma di norma dovrai mappare i suoi elementi sul tuo schema prima di importarlo.
Il mio PDF viene caricato su un server?
No. L'estrazione avviene nel tuo browser.
Cosa contiene davvero l'XML?
Il testo estratto dal documento, racchiuso in elementi XML pagina per pagina. Non riporta il layout, i font o la grafica originali: serve ad alimentare un altro sistema, non a riprodurre il PDF.
Le tabelle vengono conservate?
Solo come testo. Righe e colonne arrivano come righe di testo nell'ordine di lettura, perché un PDF memorizza glifi posizionati e non la struttura di una tabella. Se ti servono celle vere, usa piuttosto lo strumento "PDF in Excel".
Posso scegliere la codifica dei caratteri?
Sì. UTF-8 va bene per quasi ogni uso; scegli UTF-16 solo quando un sistema a valle lo impone, perché raddoppia la dimensione del file per il testo latino.
Funziona su una scansione?
No: una pagina scansionata non ha uno strato di testo da estrarre. Esegui prima l'OCR, poi converti il PDF così reso ricercabile.
In breve
| Input | |
|---|---|
| Più file | No |
| Dove funziona | Nel tuo browser - i file non vengono mai caricati |
| Funziona offline | Sì — una volta caricata la pagina |
| Prezzo | Gratis, senza registrazione, senza filigrana |
Mantenere il testo selezionabile e ricercabile
Un PDF può contenere testo vero oppure l'immagine di un testo, e la differenza conta: il testo vero si può selezionare, cercare, copiare e leggere ad alta voce, mentre una pagina scansionata no, finché qualcuno non ci esegue l'OCR. Molti strumenti per "ridurre il peso" appiattiscono in silenzio tutto in immagini, il che alleggerisce il file ma distrugge la ricercabilità e rende il testo sfocato quando lo ingrandisci. Se un documento deve restare utilizzabile - contratti, manuali, qualunque cosa tu debba cercare in seguito - tieni il testo come testo e comprimi solo le immagini. Se parti da una scansione, esegui prima l'OCR e poi comprimi.
Versioni PDF, standard e compatibilità
Il PDF 1.4 è leggibile praticamente da tutto ed è il valore predefinito sicuro per i moduli e la condivisione generale. Il PDF 1.7 ha introdotto una compressione migliore ed è quello che scrivono quasi tutti i programmi moderni. Il PDF/A è una variante di archiviazione che incorpora ogni font e vieta le dipendenze esterne, così il file si presenterà identico anche tra vent'anni - gli uffici di archiviazione e alcune pratiche pubbliche lo richiedono, ed è una scelta poco adatta ai file di tutti i giorni perché è più pesante. I PDF cifrati richiedono che la protezione venga rimossa prima che qualsiasi altro strumento possa toccarli, e una password di autorizzazioni (proprietario) è più debole di una password di apertura: serve a scoraggiare la stampa e la copia, non a tenere fuori qualcuno.