Programadores
Alimentar um fluxo de trabalho de processamento XML
Exporte o conteúdo da página como XML para um script ou aplicação que compreenda a estrutura de saída documentada.
Uma tarefa de PDF útil, simplificada
PDF para XML.
Exporte texto, imagens e geometria de desenho de PDF como XML.
Use os controles de página para inspecionar seu documento.
100%
Seu arquivo está pronto.
Baixe seu resultado ou retorne às configurações para fazer outra versão.
Advertisements
Ad placeholder336 × 280468 × 60Responsive · flexible width × 250Up to 300 × 50
Enviado para processamento temporário quando você inicia.
PDF
Como converter pdf para xml
- 01
Escolha seu documento
Faça upload de um PDF do seu dispositivo.
- 02
Configure o resultado
Revise as configurações disponíveis e inicie o processamento.
- 03
Baixe seu arquivo
Salve o resultado e verifique-o antes de compartilhar.
PDF para XML
Exporte texto, imagens e geometria de desenho de PDF como XML. Selecione páginas e transfira uma descrição estruturada, com ativos de imagem empacotados juntamente quando necessário.
TUTORIAL EM VÍDEO RÁPIDO
Como converter PDF para XML com dados de layout
Obtenha dados estruturados de página para o seu próprio fluxo de trabalho.
Narração em inglês
Assistir ao vídeo
Formas práticas de utilizar esta ferramenta
Investigadores
Inspecionar posições de texto
Utilize coordenadas de conteúdo para estudar o esquema da página; referem-se à página PDF não rodada em vez de píxeis do navegador.
Revisão técnica
Separar extração de interpretação
Reveja os objetos extraídos antes de criar regras de análise específicas do documento. Digitalizações necessitam de OCR para texto reconhecido.
Recursos e controles
Exportar texto e geometria de desenho
Recupere uma descrição estruturada do conteúdo da página em vez de uma transcrição simples.
Esquema, coordenadas e rotação da página
A estrutura versionada inclui páginas, blocos de texto e extensões, fontes, caixas delimitadoras e caminhos de desenho vetorial. As coordenadas estão em pontos PDF a partir da origem superior esquerda da página não rotacionada; a rotação é registrada separadamente. Isso pode oferecer suporte à indexação ou análise de documentos, mas o conversor não infere seu próprio esquema de negócios ou nomes de campos semânticos.
Mantenha ativos de imagem ao lado dos dados
Receba um arquivo de dados direto ou um ZIP quando imagens extraídas forem incluídas.
Arquivo de dados e imagens referenciadas
Quando uma página contém dados de imagem, o arquivo contém document.json ou document.xml, além de arquivos de imagem referenciados e quaisquer máscaras suportadas. Mantenha esses caminhos juntos ao carregar os dados em outro lugar. Uma digitalização apenas de imagem permanece como dados de imagem; esta exportação não realiza OCR para inventar extensões de texto ausentes.
Escolha as páginas que você precisa
Processe todo o documento ou insira números de página e intervalos específicos.
Intervalos de página e numeração
Use posições de PDF, começando em 1, em vez de números impressos na página. Uma lista como 1, 3-5 inclui quatro páginas. Um intervalo em branco usa todas as páginas. Verifique a visualização quando o documento incluir uma capa ou capítulos numerados de forma diferente. Apenas as páginas escolhidas são incluídas nesta conversão.
Use OCR para páginas apenas com imagens
A extração de texto lê uma camada de texto; ela não reconhece letras em imagens.
Digitalizações, páginas vazias e OCR
A extração usa uma camada de texto existente e não reconhece letras nas imagens da página. Se uma página não tiver texto legível, use o PDF OCR separadamente. Uma página em branco também pode não produzir texto. Para PDFs mistos, inspecione páginas vazias ou ilegíveis individualmente. O OCR processa uma página selecionada de cada vez.
Arquivos suportados e processamento
- Entrada
- Saída
- XML, ZIP
Abra um PDF de até 100 MB e 750 páginas de origem. Arquivos protegidos precisam de uma cópia desbloqueada, a menos que esta ferramenta ofereça explicitamente a entrada de senha. Páginas grandes ou complexas podem exigir mais memória ou atingir limites de processamento, mesmo quando o arquivo está dentro desses limites.
O processamento usa nossos servidores. Arquivos de origem, arquivos temporários e resultados são excluídos de nossos servidores dentro de 30 minutos após a conclusão do processamento. Não compartilhamos o conteúdo dos documentos com terceiros nem os usamos para treinar modelos de IA.
Advertisements
Ad placeholderResponsive · automatic sizeResponsive · automatic size468 × 60Up to 320 × 100Up to 300 × 50
Perguntas frequentes
Algumas respostas úteis
Saiba o que esperar antes de começar.
Processamento temporário no servidorO PDF para XML reconhece campos de fatura ou significados de tabelas?
Exporta o conteúdo e a geometria da página, não campos de negócio nomeados automaticamente. A sua aplicação deve interpretar essa estrutura. Para células de tabela, use Extrair Tabelas de PDF; para digitalizações, use OCR de PDF.
Que informações a exportação estruturada contém?
A estrutura versionada inclui páginas, blocos de texto e vãos, fontes, caixas delimitadoras e caminhos de desenho vetorial. As coordenadas estão em pontos PDF a partir da origem superior esquerda da página não rotacionada; a rotação é registrada separadamente. Isso pode suportar indexação ou análise de documentos, mas o conversor não infere seu próprio esquema de negócios ou nomes de campos semânticos.
Por que o download às vezes contém um ZIP?
Quando uma página contém dados de imagem, o arquivo contém document.json ou document.xml mais arquivos de imagem referenciados e quaisquer máscaras suportadas. Mantenha esses caminhos juntos ao carregar os dados em outro lugar. Uma digitalização apenas de imagem permanece como dados de imagem; esta exportação não realiza OCR para inventar vãos de texto ausentes.
Isso extrairá palavras de uma digitalização apenas de imagem?
A extração usa uma camada de texto existente e não reconhece letras em imagens de página. Se uma página não tiver texto legível, use o PDF OCR separadamente. Uma página em branco também pode não produzir texto. Para PDFs mistos, inspecione páginas vazias ou ilegíveis individualmente. O OCR processa uma página selecionada de cada vez.
Quais são os limites de arquivo e página?
Abra um PDF de até 100 MB e 750 páginas de origem. Arquivos protegidos precisam de uma cópia desbloqueada, a menos que esta ferramenta ofereça explicitamente a entrada de senha. Páginas grandes ou complexas podem exigir mais memória ou atingir limites de processamento, mesmo quando o arquivo está dentro desses limites.
Onde meu documento é processado?
Esta ferramenta utiliza nossos servidores para processamento. Seu arquivo original não é sobrescrito; o resultado é um download separado. Pré-visualize e revise o resultado onde disponível, e baixe a cópia necessária antes de começar novamente.
