Desarrolladores
Alimentar un flujo de trabajo de procesamiento XML
Exporte el contenido de la página como XML para un script o aplicación que entienda la estructura de salida documentada.
Una tarea de PDF útil, simplificada
PDF a XML.
Exporte texto, imágenes y geometría de dibujo de PDF como XML.
Usa los controles de página para inspeccionar tu documento.
100%
Su archivo está listo.
Descargue su resultado o vuelva a la configuración para hacer otra versión.
Advertisements
Ad placeholderResponsive · automatic size
Enviado para procesamiento temporal al comenzar.
PDF
Cómo convertir PDF a XML
- 01
Elige tu documento
Sube un PDF desde tu dispositivo.
- 02
Configura el resultado
Revisa los ajustes disponibles y luego inicia el procesamiento.
- 03
Descarga tu archivo
Guarda el resultado y compruébalo antes de compartirlo.
PDF a XML
Exporte texto, imágenes y geometría de dibujo de PDF como XML. Seleccione páginas y descargue una descripción estructurada, con los activos de imagen empaquetados junto a ella cuando sea necesario.
VIDEO TUTORIAL RÁPIDO
Cómo convertir PDF a XML con datos de diseño
Obtenga datos de página estructurados para su propio flujo de trabajo.
Narración en inglés
Ver el video
Formas prácticas de usar esta herramienta
Investigadores
Inspeccionar posiciones de texto
Utilice las coordenadas de contenido para estudiar el diseño de la página; se refieren a la página PDF sin rotar en lugar de a los píxeles del navegador.
Revisión técnica
Separar la extracción de la interpretación
Revise los objetos extraídos antes de crear reglas de análisis específicas para el documento. Los escaneos necesitan OCR para el texto reconocido.
Características y controles
Exportar texto y geometría de dibujo
Obtenga una descripción estructurada del contenido de la página en lugar de una transcripción simple.
Esquema, coordenadas y rotación de página
La estructura versionada incluye páginas, bloques de texto y tramos, fuentes, cuadros delimitadores y rutas de dibujo vectorial. Las coordenadas están en puntos PDF desde el origen superior izquierdo de la página sin rotar; la rotación se registra por separado. Esto puede servir para la indexación o el análisis de documentos, pero el convertidor no infiere su propio esquema empresarial ni nombres de campos semánticos.
Mantenga los recursos de imagen junto a los datos
Reciba un archivo de datos directo o un ZIP cuando se incluyan imágenes extraídas.
Archivo de datos e imágenes referenciadas
Cuando una página contiene datos de imagen, el archivo contiene document.json o document.xml además de los archivos de imagen referenciados y cualquier máscara compatible. Mantenga esas rutas juntas al cargar los datos en otro lugar. Un escaneo que solo contiene imágenes sigue siendo un dato de imagen; esta exportación no realiza OCR para inventar tramos de texto faltantes.
Elija las páginas que necesita
Procese todo el documento o introduzca números de página y rangos específicos.
Rangos de páginas y numeración
Utilice las posiciones del PDF, empezando por 1, en lugar de los números impresos en la página. Una lista como 1, 3-5 incluye cuatro páginas. Un rango en blanco utiliza todas las páginas. Compruebe la vista previa cuando el documento incluya una portada o capítulos numerados de forma diferente. Solo se incluyen en esta conversión las páginas elegidas.
Usa OCR para páginas que solo contienen imágenes
La extracción de texto lee una capa de texto; no reconoce letras en imágenes.
Escaneos, páginas vacías y OCR
La extracción utiliza una capa de texto existente y no reconoce letras en las imágenes de la página. Si una página no tiene texto legible, usa PDF OCR por separado. Una página en blanco también puede no producir texto. Para PDFs mixtos, inspecciona las páginas vacías o ilegibles individualmente. El OCR procesa una página seleccionada a la vez.
Archivos admitidos y procesamiento
- Entrada
- Salida
- XML, ZIP
Abra un PDF de hasta 100 MB y 750 páginas fuente. Los archivos protegidos necesitan una copia desbloqueada a menos que esta herramienta ofrezca explícitamente la entrada de contraseña. Las páginas grandes o complejas pueden requerir más memoria o alcanzar límites de procesamiento incluso cuando el archivo está dentro de estos límites.
El procesamiento utiliza nuestros servidores. Los archivos de origen, los archivos temporales y los resultados se eliminan de nuestros servidores en un plazo de 30 minutos tras finalizar el procesamiento. No compartimos el contenido de los documentos con terceros ni los utilizamos para entrenar modelos de IA.
Advertisements
Ad placeholderResponsive · automatic sizeResponsive · automatic size468 × 60Up to 320 × 100Up to 300 × 50
Preguntas más frecuentes
Algunas respuestas útiles
Sabe qué esperar antes de empezar.
Procesamiento temporal en servidor¿PDF a XML reconoce campos de factura o significados de tablas?
Exporta el contenido y la geometría de la página, no campos comerciales con nombres automáticos. Su aplicación debe interpretar esa estructura. Para celdas de tabla, use Extraer tablas de PDF; para escaneos, use PDF OCR.
¿Qué información contiene la exportación estructurada?
La estructura versionada incluye páginas, bloques de texto y tramos, fuentes, cuadros delimitadores y rutas de dibujo vectorial. Las coordenadas están en puntos PDF desde el origen superior izquierdo de la página sin rotar; la rotación se registra por separado. Esto puede admitir la indexación o el análisis de documentos, pero el convertidor no infiere su propio esquema comercial ni nombres de campos semánticos.
¿Por qué la descarga a veces contiene un ZIP?
Cuando una página contiene datos de imagen, el archivo contiene document.json o document.xml además de los archivos de imagen referenciados y cualquier máscara compatible. Mantenga esas rutas juntas al cargar los datos en otro lugar. Un escaneo que solo contiene imágenes sigue siendo datos de imagen; esta exportación no realiza OCR para inventar tramos de texto faltantes.
¿Esto extraerá palabras de un escaneo que solo contiene imágenes?
La extracción utiliza una capa de texto existente y no reconoce letras en las imágenes de las páginas. Si una página no tiene texto legible, utilice PDF OCR por separado. Una página en blanco también puede no producir texto. Para archivos PDF mixtos, inspeccione las páginas vacías o ilegibles individualmente. El OCR procesa una página seleccionada a la vez.
¿Cuáles son los límites de archivos y páginas?
Abra un PDF de hasta 100 MB y 750 páginas fuente. Los archivos protegidos necesitan una copia desbloqueada a menos que esta herramienta ofrezca explícitamente la entrada de contraseña. Las páginas grandes o complejas pueden requerir más memoria o alcanzar límites de procesamiento incluso cuando el archivo está dentro de estos límites.
¿Dónde se procesa mi documento?
Esta herramienta utiliza nuestros servidores para el procesamiento. Tu archivo original no se sobrescribe; el resultado es una descarga independiente. Previsualiza y revisa el resultado cuando esté disponible, y descarga la copia que necesites antes de empezar de nuevo.
