PDF sang XML
Chuyển nội dung tệp PDF thành XML có cấu trúc. Tiêu đề, đoạn văn và bảng trở thành các phần tử được gắn thẻ để phần mềm khác hoặc cơ sở dữ liệu đọc trực tiếp.
Kéo thả tệp PDF vào đây
hoặc bấm để chọn tệp
Trích xuất nội dung tệp PDF thành XML có cấu trúc: các khối văn bản và hàng của bảng được gắn thẻ thành phần tử, nên kết quả có thể nhập vào cơ sở dữ liệu, hệ thống ERP hay CMS thay vì phải gõ lại bằng tay.
PDF là định dạng để in chứ không phải định dạng dữ liệu - văn bản được định vị tuyệt đối và có thể đọc được từ tệp, nhưng nó không biết "cột" hay "tổng" là gì. Công cụ này dựng lại một cấu trúc phần tử hợp lý từ bố cục, chạy tốt với biểu mẫu và bảng đơn giản, còn với tài liệu nhiều cột phức tạp thì cần được xem lại. Văn bản phi Latinh được trích xuất nguyên dạng khi PDF nhúng đủ phông cần thiết.
Cách trích xuất nội dung PDF sang XML
Thêm tệp PDF của bạn
Chuyển sang XML
Xem lại cấu trúc rồi tải tệp về
Câu hỏi thường gặp
XML có phản ánh chính xác tuyệt đối tài liệu không?
Không. Cấu trúc được suy ra từ bố cục, nên khá sát với biểu mẫu và bảng đơn giản nhưng chỉ mang tính gần đúng với trang nhiều cột phức tạp. Hãy coi đây là một bản nháp đầu tiên tốt, không phải bản chuyển đổi đã được chứng nhận.
XML chứa những gì?
Nội dung văn bản được nhóm thành các phần tử kèm thông tin vị trí. Hình ảnh không được nhúng - hãy dùng công cụ "PDF sang Ảnh" nếu bạn cần phần đồ hoạ dưới dạng tệp.
Công cụ có dùng được với PDF quét không?
Không. Bản quét là hình ảnh của chữ nên không có gì để trích xuất. Những tài liệu như vậy cần qua OCR trước.
Tệp được bảo vệ bằng mật khẩu có được hỗ trợ không?
Chỉ những tài liệu mở được mà không cần mật khẩu. Hãy gỡ bảo vệ trước nếu tệp là của bạn.
Tôi có thể nhập kết quả trực tiếp không?
XML có cấu trúc hợp lệ và có thể được các công cụ tiêu chuẩn phân tích, nhưng thông thường bạn vẫn cần ánh xạ các phần tử của nó sang lược đồ riêng trước khi nhập.
Tệp PDF của tôi có bị tải lên không?
Không. Việc trích xuất diễn ra trong trình duyệt của bạn.
XML thực ra chứa những gì?
Phần văn bản trích xuất từ tài liệu, được bọc trong các phần tử XML theo từng trang. Nó không mang theo bố cục, phông chữ hay đồ hoạ gốc - tệp được tạo ra để đưa nội dung vào một hệ thống khác, không phải để tái tạo lại PDF.
Bảng có được giữ lại không?
Chỉ dưới dạng văn bản. Hàng và cột đến dưới dạng các dòng chữ theo thứ tự đọc, vì PDF lưu các ký tự đã được định vị chứ không lưu cấu trúc bảng. Nếu bạn cần ô thật, hãy xem công cụ PDF sang Excel.
Tôi có chọn được bảng mã ký tự không?
Có. UTF-8 phù hợp với gần như mọi nhu cầu; chỉ chọn UTF-16 khi một hệ thống phía sau bắt buộc, vì với văn bản Latinh nó làm tệp tăng gấp đôi dung lượng.
Công cụ có chạy được với bản quét không?
Không - trang quét không có lớp văn bản để trích xuất. Hãy chạy OCR trước, rồi chuyển đổi tệp PDF đã có lớp văn bản.
Tổng quan nhanh
| Đầu vào | |
|---|---|
| Nhiều tệp cùng lúc | Không |
| Chạy ở đâu | Ngay trong trình duyệt - tệp không bao giờ bị tải lên |
| Dùng được ngoại tuyến | Có — sau khi trang đã tải xong |
| Giá | Miễn phí, không đăng ký, không hình mờ |
Giữ văn bản chọn được và tìm kiếm được
Một tệp PDF có thể chứa văn bản thật hoặc hình ảnh của văn bản, và khác biệt này rất quan trọng: văn bản thật có thể chọn, tìm kiếm, sao chép và đọc thành tiếng, còn một trang scan thì không thể làm được gì trong số đó cho tới khi có người chạy OCR trên nó. Nhiều công cụ "giảm dung lượng" âm thầm làm phẳng mọi thứ thành hình ảnh, khiến tệp nhỏ đi nhưng phá hỏng khả năng tìm kiếm và làm chữ bị nhoè khi phóng to. Nếu một tài liệu cần giữ được khả năng sử dụng - hợp đồng, hướng dẫn, bất cứ thứ gì bạn có thể phải tìm lại sau này - hãy giữ văn bản là văn bản và chỉ nén phần hình ảnh. Nếu bạn bắt đầu từ một bản scan, hãy chạy OCR trước, rồi mới nén.
Phiên bản PDF, tiêu chuẩn và khả năng tương thích
PDF 1.4 hầu như được mọi thứ đọc được và là mặc định an toàn cho biểu mẫu cùng việc chia sẻ thông thường. PDF 1.7 bổ sung khả năng nén tốt hơn và là phiên bản mà hầu hết phần mềm hiện đại ghi ra. PDF/A là một biến thể lưu trữ, nhúng mọi phông chữ và cấm mọi phụ thuộc bên ngoài để tệp vẫn hiển thị y hệt sau hai mươi năm - các phòng lưu trữ và một số hồ sơ chính phủ yêu cầu định dạng này, và nó là lựa chọn tồi cho tệp dùng hằng ngày vì nặng hơn. PDF đã mã hoá cần được gỡ bảo vệ trước khi bất kỳ công cụ nào khác chạm được vào, và mật khẩu phân quyền (mật khẩu chủ sở hữu) yếu hơn mật khẩu mở: nó chỉ nhằm ngăn cản việc in và sao chép, chứ không nhằm chặn ai cả.