PDF в XML
Конвертируйте содержимое PDF в структурированный XML. Заголовки, абзацы и таблицы становятся размеченными элементами, которые другие программы и базы данных
Перетащите PDF сюда
или нажмите, чтобы выбрать файлы
Извлеките содержимое PDF в структурированный XML: текстовые блоки и строки таблиц размечаются как элементы, поэтому результат можно импортировать в базу данных, систему ERP или CMS, а не набирать вручную.
PDF — это формат для печати, а не формат данных: текст размещается абсолютно и может быть прочитан из файла, но он не знает, что такое «столбец» или «итог». Этот инструмент восстанавливает разумную структуру элементов по разметке страницы: для форм и простых таблиц это работает хорошо, а сложные многоколоночные документы требуют проверки. Нелатинский текст извлекается как есть, если PDF содержит нужные шрифты.
Как извлечь содержимое PDF в XML
Добавьте PDF
Конвертируйте в XML
Проверьте структуру и скачайте файл
Частые вопросы
XML точно отражает документ?
Нет. Структура выводится из разметки страницы, поэтому для форм и простых таблиц она близка к оригиналу, а для сложных многоколоночных страниц приблизительна. Считайте это хорошим первым черновиком, а не заверенной конвертацией.
Что содержит XML?
Текстовое содержимое, сгруппированное в элементы с информацией о положении. Изображения не встраиваются — если графика нужна отдельными файлами, воспользуйтесь инструментом «PDF в изображение».
Работает ли это со сканами PDF?
Нет. Скан — это картинка с текстом, извлекать из него нечего. Таким документам сначала нужен OCR.
Поддерживаются ли файлы, защищённые паролем?
Только документы, которые открываются без пароля. Если файл ваш, сначала снимите защиту.
Можно ли импортировать результат напрямую?
XML корректно сформирован и разбирается стандартными инструментами, но обычно перед импортом нужно сопоставить его элементы со своей схемой.
Мой PDF загружается на сервер?
Нет. Извлечение происходит в вашем браузере.
Что на самом деле содержит XML?
Текст, извлечённый из документа и обёрнутый в элементы XML страница за страницей. Он не несёт исходную вёрстку, шрифты и графику: он создан для передачи содержимого в другую систему, а не для воспроизведения PDF.
Сохраняются ли таблицы?
Только как текст. Строки и столбцы приходят в виде строк текста в порядке чтения, потому что PDF хранит позиционированные глифы, а не структуру таблицы. Если нужны настоящие ячейки, обратитесь к инструменту «PDF в Excel».
Можно ли выбрать кодировку символов?
Да. UTF-8 подходит почти для любого случая; выбирайте UTF-16 только тогда, когда этого требует система на приёмной стороне, поскольку для латинского текста он удваивает размер файла.
Сработает ли это на скане?
Нет — у отсканированной страницы нет текстового слоя, который можно извлечь. Сначала выполните OCR, а затем конвертируйте PDF с распознанным текстом.
Кратко
| Ввод | |
|---|---|
| Несколько файлов | Нет |
| Где работает | В вашем браузере — файлы никуда не загружаются |
| Работает офлайн | Да — после загрузки страницы |
| Цена | Бесплатно, без регистрации, без водяных знаков |
Как сохранить текст выделяемым и доступным для поиска
PDF может содержать настоящий текст или картинку с текстом, и разница важна: настоящий текст можно выделять, искать, копировать и читать вслух, а отсканированную страницу — нет, пока кто-нибудь не применит к ней OCR. Многие инструменты «уменьшения размера» молча превращают всё в изображения: файл становится меньше, но поиск по нему теряется, а текст при увеличении выглядит размытым. Если документ должен оставаться пригодным для работы — договоры, инструкции, всё, что может понадобиться найти позже, — оставляйте текст текстом и сжимайте только изображения. Если вы начинаете со скана, сначала выполните OCR, а затем сжимайте.
Версии PDF, стандарты и совместимость
PDF 1.4 читается практически всем и остаётся безопасным выбором по умолчанию для форм и обычного обмена. PDF 1.7 добавил лучшее сжатие, и именно его записывает большинство современных программ. PDF/A — архивный вариант, который встраивает все шрифты и запрещает внешние зависимости, чтобы файл и через двадцать лет выглядел точно так же: архивы и некоторые государственные ведомства требуют его, а для повседневных файлов он плох, потому что больше по размеру. Зашифрованные PDF нужно сначала снять с защиты, иначе ни один другой инструмент к ним не прикоснётся, а пароль на разрешения (пароль владельца) слабее пароля на открытие: он призван затруднить печать и копирование, а не закрыть доступ посторонним.