Mga Developer
Mag-feed sa isang XML processing workflow
I-export ang content ng pahina bilang XML para sa isang script o application na nakakaunawa sa dokumentadong output structure.
Isang kapaki-pakinabang na gawain sa PDF, ginawang simple
PDF patungong XML.
I-export ang teksto, mga larawan, at geometry ng pagguhit ng PDF bilang XML.
Advertisements
Ad placeholderResponsive · automatic sizeResponsive · automatic size468 × 60Up to 320 × 100Up to 300 × 50
Gamitin ang mga kontrol sa pahina para suriin ang iyong dokumento.
100%
Handa na ang iyong file.
I-download ang iyong resulta, o bumalik sa mga setting para gumawa ng isa pang bersyon.
Advertisements
Ad placeholderResponsive · automatic size
Ipinapadala para sa pansamantalang pagproseso kapag nagsimula ka.
PDF
Paano gawing xml ang pdf
- 01
Piliin ang iyong dokumento
Mag-upload ng isang PDF mula sa iyong device.
- 02
I-set up ang resulta
Suriin ang mga available na setting, pagkatapos ay simulan ang pagproseso.
- 03
I-download ang iyong file
I-save ang resulta at suriin ito bago ibahagi.
PDF patungong XML
I-export ang text, mga larawan, at geometry ng pagguhit ng PDF bilang XML. Pumili ng mga pahina at mag-download ng structured na paglalarawan, na may mga image asset na kasama nito kung kinakailangan.
MABILIS NA VIDEO TUTORIAL
Paano i-convert ang PDF sa XML na may layout data
Kumuha ng structured page data para sa iyong sariling workflow.
Pagsasalaysay sa Ingles
Panoorin ang video
Mga praktikal na paraan para gamitin ang tool na ito
Mga Mananaliksik
Suriin ang mga posisyon ng text
Gumamit ng mga coordinate ng content para pag-aralan ang layout ng pahina; tumutukoy ang mga ito sa hindi naka-rotate na pahina ng PDF sa halip na sa mga pixel ng browser.
Teknikal na pagsusuri
Paghiwalayin ang pagkuha (extraction) mula sa interpretasyon
Suriin ang mga kinuha (extracted) na object bago bumuo ng mga panuntunan sa pag-parse na partikular sa dokumento. Ang mga scan ay nangangailangan ng OCR para sa kinikilalang text.
Mga feature at kontrol
I-export ang teksto at geometry ng drawing
Kumuha ng nakabalangkas na paglalarawan ng nilalaman ng pahina sa halip na isang simpleng transcript.
Schema, mga coordinate, at pag-ikot ng pahina
Kasama sa versioned structure ang mga pahina, text block at span, font, bounding box, at vector drawing path. Ang mga coordinate ay nasa PDF points mula sa top-left origin ng hindi naka-rotate na pahina; ang pag-ikot ay nakatala nang hiwalay. Maaari itong sumuporta sa pag-index o pagsusuri ng dokumento, ngunit hindi hinuhulaan ng converter ang sarili mong business schema o mga semantic field name.
Panatilihin ang mga image asset sa tabi ng data
Tumanggap ng direktang data file o ZIP kapag kasama ang mga na-extract na larawan.
Data file at mga referenced na larawan
Kapag ang isang pahina ay naglalaman ng data ng larawan, ang archive ay naglalaman ng document.json o document.xml kasama ang mga referenced na image file at anumang suportadong mask. Panatilihing magkasama ang mga path na iyon kapag naglo-load ng data sa ibang lugar. Ang image-only scan ay nananatiling data ng larawan; ang export na ito ay hindi nagsasagawa ng OCR para gumawa ng mga nawawalang text span.
Piliin ang mga pahinang kailangan mo
Iproseso ang buong dokumento o maglagay ng mga partikular na numero ng pahina at range.
Mga range at pagnumero ng pahina
Gamitin ang mga posisyon ng PDF, simula sa 1, sa halip na mga numerong naka-print sa pahina. Ang listahan gaya ng 1, 3-5 ay may kasamang apat na pahina. Ang blangkong range ay gumagamit ng bawat pahina. Suriin ang preview kapag ang dokumento ay may kasamang cover o magkakaibang numerong kabanata. Ang mga napiling pahina lamang ang kasama sa conversion na ito.
Gumamit ng OCR para sa mga pahinang larawan lamang
Ang pag-extract ng teksto ay nagbabasa ng text layer; hindi nito kinikilala ang mga titik sa mga larawan.
Mga scan, blangkong pahina, at OCR
Ang extraction ay gumagamit ng umiiral na text layer at hindi kinikilala ang mga titik sa mga larawan ng pahina. Kung ang isang pahina ay walang nababasang teksto, gumamit ng PDF OCR nang hiwalay. Ang isang blangkong pahina ay maaari ring hindi magbunga ng anumang teksto. Para sa mga mixed PDF, suriin nang isa-isa ang mga blangko o hindi nababasang pahina. Ang OCR ay nagpoproseso ng isang napiling pahina sa bawat pagkakataon.
Mga suportadong file at pagproseso
- Input
- Output
- XML, ZIP
Magbukas ng isang PDF hanggang 100 MB at 750 na source page. Ang mga protektadong file ay nangangailangan ng unlocked na kopya maliban kung ang tool na ito ay tahasang nag-aalok ng paglalagay ng password. Ang malalaki o kumplikadong pahina ay maaaring mangailangan ng mas maraming memory o umabot sa mga limitasyon sa pagproseso kahit na ang file ay nasa loob ng mga limitasyong ito.
Ang pagproseso ay gumagamit ng aming mga server. Ang mga source file, temporary file, at resulta ay binubura mula sa aming mga server sa loob ng 30 minuto pagkatapos matapos ang pagproseso. Hindi namin ibinabahagi ang nilalaman ng dokumento sa mga third party o ginagamit ang mga ito para sanayin ang mga AI model.
Advertisements
Ad placeholderResponsive · automatic sizeResponsive · automatic size468 × 60Up to 320 × 100Up to 300 × 50
FAQ
Ilang kapaki-pakinabang na sagot
Alamin kung ano ang aasahan bago ka magsimula.
Pansamantalang pagproseso sa serverKinikilala ba ng PDF to XML ang mga invoice field o kahulugan ng table?
I-e-export nito ang nilalaman at geometry ng pahina, hindi ang mga awtomatikong pinangalanang business field. Dapat bigyang-kahulugan ng iyong application ang istrukturang iyon. Para sa mga table cell, gamitin ang Extract Tables from PDF; para sa mga scan, gamitin ang PDF OCR.
Anong impormasyon ang nilalaman ng structured export?
Ang versioned structure ay kinabibilangan ng mga pahina, text block at span, mga font, bounding box, at vector drawing path. Ang mga coordinate ay nasa mga PDF point mula sa top-left origin ng hindi naka-rotate na pahina; ang rotation ay nakatala nang hiwalay. Maaari nitong suportahan ang indexing o pagsusuri ng dokumento, ngunit hindi hinuhulaan ng converter ang sarili mong business schema o mga semantic field name.
Bakit kung minsan ay naglalaman ng ZIP ang download?
Kapag ang isang pahina ay naglalaman ng data ng larawan, ang archive ay naglalaman ng document.json o document.xml kasama ang mga referenced image file at anumang suportadong mask. Panatilihing magkakasama ang mga path na iyon kapag naglo-load ng data sa ibang lugar. Ang image-only scan ay nananatiling data ng larawan; ang export na ito ay hindi nagsasagawa ng OCR para gumawa ng mga nawawalang text span.
Kukunin ba nito ang mga salita mula sa isang scan na puro larawan lang?
Gumagamit ang extraction ng umiiral na text layer at hindi nito kinikilala ang mga titik sa mga larawan ng pahina. Kung ang isang pahina ay walang nababasang teksto, gumamit ng PDF OCR nang hiwalay. Ang blangkong pahina ay maaari ring hindi magbunga ng anumang teksto. Para sa mga mixed PDF, suriin nang isa-isa ang mga blangko o hindi nababasang pahina. Ang OCR ay nagpoproseso ng isang napiling pahina sa bawat pagkakataon.
Ano ang mga limitasyon sa file at pahina?
Magbukas ng isang PDF hanggang 100 MB at 750 na source page. Ang mga protektadong file ay nangangailangan ng unlocked na kopya maliban kung ang tool na ito ay tahasang nag-aalok ng paglalagay ng password. Ang malalaki o kumplikadong pahina ay maaaring mangailangan ng mas maraming memory o umabot sa mga limitasyon sa pagproseso kahit na ang file ay nasa loob ng mga limitasyong ito.
Saan pinoproseso ang aking dokumento?
Ginagamit ng tool na ito ang aming mga server para sa pagproseso. Ang iyong orihinal na file ay hindi mapapatungan; ang resulta ay isang hiwalay na download. I-preview at suriin ang resulta kung saan ito available, at i-download ang kopya na kailangan mo bago magsimulang muli.
