PDF'den XML'e
PDF içeriğini yapılandırılmış XML biçimine dönüştürün. Başlıklar, paragraflar ve tablolar etiketli öğelere dönüşür; diğer yazılımlar veya veritabanları
PDF'nizi buraya bırakın
veya dosya seçmek için tıklayın
Bir PDF'in içeriğini yapılandırılmış XML'e çıkarın: metin blokları ve tablo satırları öğe olarak etiketlenir; böylece sonuç elle yeniden yazılmak yerine bir veritabanına, ERP sistemine veya CMS'e aktarılabilir.
PDF bir yazdırma biçimidir, veri biçimi değil: metin mutlak konumlarla yerleştirilir ve dosyadan okunabilir, ancak "sütun" ya da "toplam" nedir bilmez. Bu araç, sayfa düzeninden makul bir öğe yapısı yeniden kurar; bu, formlar ve basit tablolar için iyi çalışır, karmaşık çok sütunlu belgelerde ise gözden geçirme gerektirir. PDF gerekli yazı tiplerini gömülü olarak içeriyorsa Latin dışı metin olduğu gibi çıkarılır.
PDF içeriği XML olarak nasıl çıkarılır
PDF'inizi ekleyin
XML'e dönüştürün
Yapıyı inceleyin ve dosyayı indirin
SSS
XML belgenin kusursuz bir temsili mi?
Hayır. Yapı sayfa düzeninden çıkarımlanır; formlar ve basit tablolar için yakın, karmaşık çok sütunlu sayfalar için yaklaşıktır. Bunu onaylı bir dönüştürme değil, güçlü bir ilk taslak olarak görün.
XML neleri içerir?
Konum bilgisiyle birlikte öğelere gruplanmış metin içeriği. Görseller gömülmez - grafiklere dosya olarak ihtiyacınız varsa PDF'den Görsele aracını kullanın.
Taranmış PDF'lerle çalışır mı?
Hayır. Tarama, metnin fotoğrafıdır; çıkarılacak bir şey yoktur. Bu tür belgeler için önce OCR gerekir.
Parola korumalı dosyalar destekleniyor mu?
Yalnızca parolasız açılan belgeler. Dosya sizinse önce korumayı kaldırın.
Sonucu doğrudan içe aktarabilir miyim?
XML iyi biçimlendirilmiştir ve standart araçlarla ayrıştırılabilir; ancak normalde içe aktarmadan önce öğelerini kendi şemanızla eşleştirmeniz gerekir.
PDF'im yükleniyor mu?
Hayır. Çıkarma işlemi tarayıcınızda gerçekleşir.
XML aslında ne içerir?
Belgeden çıkarılan metni, sayfa sayfa XML öğelerine sarılmış olarak içerir. Özgün yerleşimi, yazı tiplerini veya grafikleri taşımaz - PDF'i yeniden üretmek için değil, içeriği başka bir sisteme aktarmak için tasarlanmıştır.
Tablolar korunuyor mu?
Yalnızca metin olarak. Satırlar ve sütunlar okuma sırasına göre metin satırları hâlinde gelir; çünkü PDF tablo yapısı değil, konumlandırılmış glifler saklar. Gerçek hücrelere ihtiyacınız varsa PDF'den Excel'e aracına bakın.
Karakter kodlamasını seçebilir miyim?
Evet. UTF-8 neredeyse her kullanım için doğrudur; UTF-16'yı yalnızca alt sistem ısrar ediyorsa seçin, çünkü Latin metin için dosya boyutunu iki katına çıkarır.
Taramada çalışır mı?
Hayır - taranmış bir sayfada çıkarılacak bir metin katmanı yoktur. Önce OCR uygulayın, sonra aranabilir PDF'i dönüştürün.
Bir bakışta
| Girdi | |
|---|---|
| Birden fazla dosya | Hayır |
| Nerede çalışır | Tarayıcınızda - dosyalar hiçbir zaman yüklenmez |
| Çevrimdışı çalışır | Evet — sayfa yüklendikten sonra |
| Fiyat | Ücretsiz, kayıt yok, filigran yok |
Metni seçilebilir ve aranabilir tutmak
Bir PDF gerçek metin ya da metnin bir resmini barındırabilir ve aradaki fark önemlidir: gerçek metin seçilebilir, aranabilir, kopyalanabilir ve sesli okunabilir; taranmış bir sayfa ise biri üzerinde OCR çalıştırana kadar bunların hiçbirini yapamaz. Birçok "boyut küçültme" aracı her şeyi sessizce görsele dönüştürür; bu dosyayı küçültür ama aranabilirliği yok eder ve yakınlaştırıldığında metni bulanık yapar. Bir belgenin kullanılabilir kalması gerekiyorsa - sözleşmeler, kılavuzlar, sonradan aramanız gerekebilecek her şey - metni metin olarak koruyun ve yalnızca görselleri sıkıştırın. Bir taramadan başlıyorsanız önce OCR çalıştırın, sonra sıkıştırın.
PDF sürümleri, standartlar ve uyumluluk
PDF 1.4'ü esasen her şey okuyabilir ve formlar ile genel paylaşım için güvenli varsayılandır. PDF 1.7 daha iyi sıkıştırma ekledi ve modern yazılımların çoğunun yazdığı sürüm odur. PDF/A, her yazı tipini gömen ve dış bağımlılıkları yasaklayan bir arşiv varyantıdır; böylece dosya yirmi yıl sonra bile aynı görünecektir - arşiv ofisleri ve bazı resmî kurum başvuruları bunu şart koşar ve günlük dosyalar için kötü bir seçimdir, çünkü daha büyüktür. Şifrelenmiş PDF'lerde başka herhangi bir aracın dokunabilmesi için önce korumanın kaldırılması gerekir; izin (sahip) parolası ise açılış parolasından daha zayıftır: yazdırmayı ve kopyalamayı caydırmak içindir, kimseyi dışarıda tutmak için değil.