Konwertuj PDF na XML

System zarządzania dokumentami, przepływ pracy związany z publikowaniem lub aplikacja biznesowa może wymagać formatu XML zamiast pliku PDF o stałym układzie stron do importu. Konwersja wyodrębnia zawartość pliku do znaczników, które oprogramowanie może przeszukiwać, przekształcać lub przechowywać niezależnie od wyglądu stron.

Czym jest PDF

PDF to format opisu stron ustandaryzowany jako ISO 32000. Zachowuje czcionki, grafiki, obrazy, adnotacje i geometrię stron, dzięki czemu dokumenty są wyświetlane i drukowane spójnie w różnych systemach. Firmy, wydawcy, agencje rządowe i osoby prywatne używają PDF do formularzy, raportów, faktur, podręczników, umów i kopii archiwalnych.

Plik PDF może zawierać zaznaczalny tekst, zeskanowane obrazy stron, grafikę wektorową, osadzone czcionki, tabele, metadane i pola interaktywne. Układ wizualny nie gwarantuje, że plik zawiera logiczną kolejność czytania lub znaczniki semantyczne.

Czym jest XML

XML to tekstowy format znaczników, który reprezentuje dane w zagnieżdżonych elementach i atrybutach, na przykład <invoice><total>125.00</total></invoice>. XML nie definiuje uniwersalnej struktury dokumentu: aplikacja odbierająca, standard branżowy lub organizacja musi określić nazwy elementów, hierarchię, typy danych i wymagane atrybuty za pomocą schematu lub dokumentacji.

W przeciwieństwie do PDF, XML oddziela zawartość i relacje między danymi od wyglądu strony. Aplikacje mogą go analizować, sprawdzać poprawność, wykonywać na nim zapytania, przekształcać go za pomocą XSLT oraz importować do baz danych lub systemów publikowania. XML nie jest automatycznie mniejszy niż PDF, a konwersja do XML nie zachowuje wyglądu strony, chyba że uwzględnione zostaną współrzędne, style lub elementy zależne od układu.

Konwertowanie tekstowego pliku PDF za pomocą Acrobat

1. Otwórz plik w programie Adobe Acrobat Pro; Acrobat Reader nie udostępnia tych samych funkcji eksportu.
2. Jeśli tekstu nie można zaznaczyć, uruchom All tools → Scan & OCR → Recognize Text, wybierz język dokumentu i sprawdź rozpoznany tekst.
3. Wybierz File → Export To → More Options → XML 1.0, jeśli ten format jest dostępny w zainstalowanej wersji Acrobat.
4. Zapisz wynik i sprawdź go w edytorze XML lub edytorze tekstu. Upewnij się, że struktura wyeksportowanych elementów odpowiada schematowi wymaganemu przez system odbierający.

Eksport XML w Acrobat jest wyodrębnianiem zawartości, a nie gwarancją formatu właściwego dla określonej dziedziny, takiego jak schemat faktury, publikacji lub dokumentu prawnego. Nazwy menu i dostępność XML różnią się w zależności od wydania Acrobat i licencji.

Konwertowanie za pomocą narzędzia wsadowego lub wiersza poleceń

W przypadku tekstowych plików PDF i zautomatyzowanych zadań narzędzie pdftohtml z pakietu Poppler może tworzyć pliki XML:

pdftohtml -xml input.pdf output.xml

Wynik zazwyczaj opisuje położenie tekstu, czcionki i strony. Jest przydatny do przetwarzania uwzględniającego układ, ale zazwyczaj nie rozpoznaje tabeli narysowanej wizualnie jako semantycznej tabeli XML i nie tworzy schematu oczekiwanego przez aplikację biznesową. Zeskanowane pliki PDF wymagają użycia OCR przed wyodrębnianiem lub w jego trakcie; błędy OCR należy sprawdzić.

W przypadku regularnie wykonywanych konwersji najpierw zdefiniuj docelowy schemat XML, przyporządkuj pola PDF do tego schematu i sprawdzaj każdy wynik za pomocą parsera XML lub walidatora schematu. Niestandardowy skrypt wyodrębniania może być konieczny, gdy plik PDF wykorzystuje nieregularne kolumny, powtarzające się nagłówki, mieszane kierunki czytania lub złożone formularze.

Korzystanie z konwertera online

Usługi online, takie jak PDF.co i Zamzar, oferują konwersję PDF do XML lub powiązane opcje wyodrębniania; wybierz plik PDF jako dane wejściowe, wybierz XML, jeśli jest dostępny, prześlij plik, przekonwertuj go i pobierz wynik. Przed poleganiem na usłudze sprawdź jej aktualny typ danych wyjściowych i ograniczenia, ponieważ niektóre usługi tworzą XML ukierunkowany na układ zamiast schematu właściwego dla konkretnej działalności.

Nie przesyłaj poufnych umów, danych osobowych, danych uwierzytelniających ani danych objętych regulacjami, chyba że zasady przechowywania, szyfrowania, lokalizacji przetwarzania i usuwania danych przez dostawcę spełniają Twoje wymagania. W przypadku poufnych plików lub dużych ich ilości użyj programu Acrobat albo lokalnie zainstalowanego narzędzia do wyodrębniania.

Ograniczenia jakości i zgodności

• Skanowane dokumenty wymagają OCR: plik PDF zawierający wyłącznie obraz nie ma warstwy tekstowej do wyeksportowania. Rozpoznawanie może powodować mylenie znaków, pomijanie interpunkcji oraz błędne odczytywanie kolumn lub pisma odręcznego.
• Układ jest niejednoznaczny: PDF przechowuje informacje o położeniu obiektów na stronie, ale niekoniecznie o ich logicznej kolejności. Tekst wielokolumnowy, przypisy, nagłówki i paski boczne mogą zostać wyeksportowane w niewłaściwej kolejności.
• Tabele wymagają weryfikacji: linie i wyrównany tekst nie zawsze kodują wiersze i kolumny. Sprawdź sumy, scalone komórki, separatory dziesiętne i powtarzające się nagłówki.
• Formatowanie może zniknąć: podziały stron, czcionki, dokładne odstępy, adnotacje, formularze, podpisy i styl wizualny nie są zazwyczaj reprezentowane przez zwykły XML zawartości.
• Walidacja jest oddzielna od konwersji: poprawny składniowo XML może nadal zawierać nieprawidłowe wartości lub naruszać schemat systemu odbierającego. Przed importem sprawdź zarówno składnię, jak i reguły biznesowe.