开发者
为 XML 处理工作流程提供数据
将页面内容导出为 XML，供理解记录输出结构的脚本或应用程序使用。
实用的 PDF 工具，化繁为简
PDF 转 XML.
将 PDF 文本、图像和绘图几何图形导出为 XML。
Advertisements
Ad placeholderResponsive · up to 1933 × 500Responsive · up to 1933 × 250468 × 60Up to 320 × 100Up to 300 × 50
使用页面控件检查您的文档。
100%
您的文件已准备就绪。
下载您的结果，或返回设置以制作另一个版本。
Advertisements
Ad placeholder336 × 280468 × 60Responsive · flexible width × 250Up to 300 × 50
开始时发送以进行临时处理。
PDF
如何将 pdf 转为 xml
- 01
选择您的文档
从您的设备上传一个 PDF。
- 02
设置结果
查看可用设置，然后开始处理。
- 03
下载您的文件
保存结果并在共享前进行检查。
PDF 转 XML
将 PDF 文本、图像和绘图几何图形导出为 XML。选择页面并下载结构化描述，必要时将图像资源打包在一起。
快速视频教程
如何将 PDF 转换为带有布局数据的 XML
获取结构化的页面数据以供您的工作流程使用。
英语旁白
观看视频
使用此工具的实用方法
研究人员
检查文本位置
使用内容坐标研究页面布局；它们指的是未旋转的 PDF 页面，而非浏览器像素。
技术审查
将提取与解释分离
在构建特定于文档的解析规则之前，先审查提取的对象。扫描件需要 OCR 才能识别文本。
功能与控制
导出文本和绘图几何图形
获取页面内容的结构化描述，而非简单的转录。
架构、坐标和页面旋转
版本化结构包括页面、文本块和跨度、字体、边界框以及矢量绘图路径。坐标以未旋转页面左上角原点为基准的 PDF 点为单位；旋转信息单独记录。这可以支持索引或文档分析，但转换器不会推断您自己的业务架构或语义字段名称。
将图像资源与数据保存在一起
在包含提取的图像时，接收直接的数据文件或 ZIP 压缩包。
数据文件和引用的图像
当页面包含图像数据时，归档文件包含 document.json 或 document.xml 以及引用的图像文件和任何支持的遮罩。在其他地方加载数据时，请保持这些路径在一起。仅图像扫描件仍为图像数据；此导出功能不会执行 OCR 来生成缺失的文本跨度。
选择您需要的页面
处理整个文档或输入特定的页码和范围。
页面范围和编号
使用 PDF 位置（从 1 开始），而不是页面上打印的数字。例如 1, 3-5 的列表包含四页。空白范围表示使用所有页面。当文档包含封面或编号不同的章节时，请检查预览。只有选定的页面会被包含在此次转换中。
对纯图像页面使用 OCR
文本提取读取的是文本层；它无法识别图像中的字母。
扫描件、空白页和 OCR
提取过程使用现有的文本层，不会识别页面图像中的字母。如果页面没有可读文本，请单独使用 PDF OCR。空白页也可能无法产生文本。对于混合型 PDF，请单独检查空白或不可读的页面。OCR 每次处理一个选定页面。
支持的文件与处理
- 输入
- 输出
- XML, ZIP
打开一个最大 100 MB 且最多 750 页的 PDF。复杂文档可能会受到额外的输出、内存和处理限制。
处理过程使用我们的服务器。源文件、临时文件和结果将在处理完成后 30 分钟内从我们的服务器删除。我们不会与第三方共享文档内容，也不会将其用于训练 AI 模型。
Advertisements
Ad placeholderResponsive · up to 1933 × 500Responsive · up to 1933 × 250468 × 60Up to 320 × 100Up to 300 × 50
常问问题
一些有用的解答
在开始前了解预期效果。
临时服务器处理PDF 转 XML 会识别发票字段或表格含义吗？
它导出页面内容和几何结构，而不是自动命名的业务字段。您的应用程序必须解释该结构。对于表格单元格，请使用“从 PDF 提取表格”；对于扫描件，请使用“PDF OCR”。
结构化导出包含哪些信息？
版本化结构包括页面、文本块和跨度、字体、边界框和矢量绘图路径。坐标以未旋转页面左上角原点为基准的 PDF 点为单位；旋转信息会单独记录。这可以支持索引或文档分析，但转换器不会推断您自己的业务模式或语义字段名称。
为什么下载内容有时包含 ZIP？
当页面包含图像数据时，存档包含 document.json 或 document.xml 以及引用的图像文件和任何受支持的遮罩。在其他地方加载数据时，请保持这些路径完整。纯图像扫描件仍为图像数据；此导出功能不会执行 OCR 来创建缺失的文本跨度。
这能从纯图像扫描件中提取文字吗？
提取过程使用现有的文本层，不会识别页面图像中的字母。如果页面没有可读文本，请单独使用 PDF OCR。空白页面也可能无法产生文本。对于混合型 PDF，请逐个检查空白或不可读的页面。OCR 一次处理一个选定页面。
文件和页面限制是多少？
最多可打开一个 100 MB 和 750 个源页面的 PDF。受保护的文件需要解锁副本，除非此工具明确提供密码输入功能。即使文件在这些限制内，大型或复杂的页面也可能需要更多内存或达到处理限制。
我的文档在哪里处理？
此工具使用我们的服务器进行处理。您的原始文件不会被覆盖；结果是一个单独的下载文件。请在可用时预览和检查结果，并在重新开始前下载您需要的副本。
