PDF para XML
Converta o conteúdo de um PDF em XML estruturado. Títulos, parágrafos e tabelas viram elementos marcados que outros programas ou bancos de dados conseguem
Solte seu PDF aqui
ou clique para escolher arquivos
Extraia o conteúdo de um PDF em XML estruturado: blocos de texto e linhas de tabela são marcados como elementos, então o resultado pode ser importado em um banco de dados, um sistema ERP ou um CMS em vez de ser digitado de novo à mão.
O PDF é um formato para impressão, não um formato de dados - o texto tem posição absoluta e pode ser lido do arquivo, mas ele não sabe o que é uma "coluna" ou um "total". Esta ferramenta reconstrói uma estrutura de elementos razoável a partir do layout, o que funciona bem para formulários e tabelas simples e exige revisão em documentos complexos com várias colunas. Textos não latinos são extraídos como estão quando o PDF incorpora as fontes necessárias.
Como extrair o conteúdo de um PDF em XML
Adicione seu PDF
Converta para XML
Revise a estrutura e baixe o arquivo
Perguntas frequentes
O XML é uma representação perfeita do documento?
Não. A estrutura é inferida a partir do layout, então fica próxima em formulários e tabelas simples e aproximada em páginas complexas com várias colunas. Trate o resultado como um bom primeiro rascunho, não como uma conversão certificada.
O que o XML contém?
Conteúdo de texto agrupado em elementos com informações de posição. As imagens não são incorporadas - use a ferramenta PDF para Imagem se precisar dos gráficos como arquivos.
Funciona com PDFs digitalizados?
Não. Uma digitalização é uma foto de um texto, então não há nada para extrair. Esses documentos precisam de OCR primeiro.
Arquivos protegidos por senha são compatíveis?
Somente documentos que abrem sem senha. Remova a proteção antes, se o arquivo for seu.
Posso importar o resultado diretamente?
O XML é bem formado e pode ser lido por ferramentas padrão, mas normalmente você vai mapear os elementos para o seu próprio esquema antes de importar.
Meu PDF é enviado para algum servidor?
Não. A extração acontece no seu navegador.
Visão geral
| Entrada | |
|---|---|
| Vários arquivos | Não |
| Onde roda | No seu navegador - os arquivos nunca são enviados |
| Funciona offline | Sim — depois que a página carrega |
| Preço | Grátis, sem cadastro, sem marca d'água |
Manter o texto selecionável e pesquisável
Um PDF pode conter texto de verdade ou a imagem de um texto, e a diferença importa: o texto real pode ser selecionado, pesquisado, copiado e lido em voz alta, enquanto uma página digitalizada não pode, até que alguém aplique OCR nela. Muitas ferramentas de "reduzir tamanho" achatam tudo silenciosamente em imagens, o que diminui o arquivo mas destrói a possibilidade de pesquisa e deixa o texto borrado quando você amplia. Se um documento precisa continuar utilizável - contratos, manuais, qualquer coisa que você talvez precise pesquisar depois -, mantenha o texto como texto e comprima apenas as imagens. Se você está partindo de uma digitalização, aplique OCR primeiro e comprima depois.
Versões, padrões e compatibilidade do PDF
O PDF 1.4 é legível por praticamente tudo e é a opção segura para formulários e compartilhamento em geral. O PDF 1.7 acrescentou uma compressão melhor e é o que a maioria dos programas modernos grava. O PDF/A é uma variante de arquivamento que incorpora todas as fontes e proíbe dependências externas, para que o arquivo continue sendo exibido de forma idêntica daqui a vinte anos - escritórios de arquivo e alguns envios governamentais exigem esse formato, e ele é uma escolha ruim para arquivos do dia a dia porque é maior. PDFs criptografados precisam ter a proteção removida antes que qualquer outra ferramenta possa tocá-los, e uma senha de permissões (do proprietário) é mais fraca do que uma senha de abertura: ela serve para desencorajar a impressão e a cópia, não para impedir o acesso de alguém.