PDF to XML Converter Software PDF to XML Converter Software

Скачать Программу-конвертер PDF в XML: таблицы в виде строк и ячеек

Программа-конвертер PDF в XML сохраняет каждый PDF в формате XML со структурированными элементами документа, страниц, заголовков, абзацев и таблиц, поэтому скрипт может загружать содержимое напрямую, не тратя ресурсы на разбор макета.

Корректный XML в кодировке UTF-8 без BOMВозможность экспорта координат и информации о шрифтахПробная версия: до 10 строк на каждый PDF с сохранением валидной структуры XML
PDF to XML Converter Software Снимок экрана.
Конвертер PDF в XML от SoftOrbits для Windows преобразует папку с PDF-отчетами в файлы XML. Заголовки и абзацы сохраняются в виде структурных элементов, а таблицы - в виде строк и ячеек, строго в порядке чтения. Единая схема разметки гарантирует, что ежеквартальные отчеты будут безошибочно импортироваться в базу данных или поисковый индекс при каждой выгрузке.

Пример конвертации одной страницы отчета о продажах. Ниже показан фрагмент XML, сформированный нашей программой для тестового одностраничного отчета с табличной сеткой. Для компактности текст абзаца, три последние строки таблицы и заключительный абзац были сокращены. Имена элементов, атрибуты и их значения приведены в исходном виде.

<?xml version="1.0" encoding="UTF-8"?>
<document source="report_with_table.pdf" pages="1" units="pt" origin="top-left">
  <page number="1" width="595.3" height="841.9">
    <heading level="1">Regional Summary</heading>
    <paragraph>Quarterly revenue grew across all three regions..</paragraph>
    <table rows="6" columns="4" source="lattice">
      <row header="1"><cell>Region</cell><cell>Licenses</cell><cell>Revenue</cell><cell>Share</cell></row>
      <row><cell>North</cell><cell>120</cell><cell>15,400.00</cell><cell>12%</cell></row>
      <row><cell>South</cell><cell>157</cell><cell>17,710.00</cell><cell>15%</cell></row>
      <!-- 3 more rows -->
    </table>
  </page>
</document>

Схема XML: разбор всех элементов

Все файлы формируются по единой документированной схеме. Переключайте вкладки, чтобы увидеть, какие элементы и атрибуты используются в различных случаях.

document

Корневой элемент. Содержит имя исходного файла, количество страниц, а также атрибуты units="pt" и origin="top-left".

page

Формируется для каждой страницы PDF с указанием ее номера. Все обнаруженное на странице содержимое располагается внутри этого элемента.

heading

Определяет уровень заголовка от 1 до 6 на основе размера шрифта относительно основного текста всего документа. Заданная иерархия уровней строго соблюдается на всех страницах.

paragraph

Основной текст. При отключенной опции каждый абзац выводится единым текстовым блоком без внутристраничных разрывов строк.

table

Содержит количество строк и столбцов, а также атрибут source с тремя возможными значениями: tagged (сетка получена из тегов PDF), lattice (определена по разделительным линиям) и stream (вычислена по выравниванию текста).

row

Формируется для каждой строки таблицы. Обработчик может извлекать названия столбцов из строки заголовков с атрибутом header="1".

cell

Текст ячейки. Для объединенных ячеек указываются атрибуты colspan и rowspan, что позволяет точно восстановить исходную сетку.

x, y, w, h

Положение и размеры в пунктах. Задаются для таблиц, ячеек, заголовков и абзацев. Точкой отсчета служит верхний левый угол, а координата y увеличивается по направлению вниз, в отличие от стандартной системы координат PDF.

При включенной опции

fonts и fontspec

Указываются один раз в начале документа. Каждый элемент fontspec содержит параметры id, family (гарнитура), size (размер), цвет в формате #RRGGBB, а также флаги полужирного (bold) и курсивного (italic) начертания при их наличии. Элементы ссылаются на шрифт через атрибут font="id", поэтому параметры цвета не повторяются для каждого фрагмента.

При включенной опции

line и text

Текст заголовков и абзацев разделяется на вложенные элементы line и text, у каждого из которых есть собственный ограничивающий блок. Строка с направлением письма справа налево помечается атрибутом dir="rtl".

При включенной опции

width и height

Размеры страницы в пунктах, задаются для каждого элемента page. Для стандартного листа формата A4 эти значения обычно составляют 595.3 на 841.9.

scanned="1"

Выставляется, если страница представляет собой отсканированное изображение без текстового слоя. Обработчик данных может автоматически перенаправлять такие страницы на ручную проверку.

ocr="1" и confidence

Указываются, если текст страницы был получен в результате оптического распознавания, с фиксацией уровня достоверности (confidence). Распознанные страницы разбиваются только на абзацы; алгоритм поиска таблиц для них не запускается.

Надежные данные для ваших скриптов.

Надежные данные для ваших скриптов

С Конвертером PDF в XML отчеты от любых отделов будут поступать в единой структуре.

  • Скрипт импорта не сломается, даже когда бухгалтерия снова обновит шаблон отчета.
  • Числа попадают сразу в нужные столбцы базы данных - вводить их вручную никому не придется.
  • Поисковый индекс сможет ранжировать заголовки разделов выше основного текста.

Один XML-файл на каждый PDF в пакете

Добавляйте отдельные файлы или целую папку с отчетами. Конвертер PDF в XML создает по одному XML-файлу на каждый исходный PDF с тем же именем, запрашивая разрешение на перезапись один раз для всей очереди. Перед началом удалите из списка поврежденные или защищенные паролем документы: при обращении к такому файлу пакетная обработка остановится.

Элементы в порядке чтения

При двухколоночной верстке сначала считывается левая колонка, а затем правая. Для иврита и арабского языка сохраняется правильное направление текста справа налево.

Сплошной текст остается текстом

Большие промежутки между словами часто сбивают с толку алгоритмы поиска таблиц. Программа отсеивает ложные срабатывания внутри связного текста: например, в нашем тестовом двухколоночном документе было отклонено 9 ложных таблиц, и текст остался текстом.

Десктопная программа для Windows

Программа устанавливается на Windows, использует встроенный компонент PDFium и собственный модуль формирования XML. В исходный проект ничего не добавляется. Пакетная обработка запускается вручную: здесь нет API, SDK или интерфейса командной строки для PDF, поэтому вызывать ее как фоновую службу на сервере не получится.

Не слепок верстки, а готовые к выборке данные

Привычные решения

Экспорт из редакторов и онлайн-конвертеры

  • Экспорт в XML из обычного PDF-редактора передает только взаимное расположение элементов на странице, а не структуру самих данных
  • Таблицы выгружаются отдельными разрозненными строками без какой-либо сетки
  • Онлайн-конвертеры редко дают понять, по какому принципу элементы PDF разносятся по тегам XML
VS
Эта программа

Единая открытая схема данных

  • Единая документированная схема для всех файлов - она показана прямо на этой странице
  • Работает локально на ПК: отчеты никуда не отправляются

Как скачать и использовать Конвертер PDF в XML

Установите программу и загрузите отчеты.
1

Установите программу и загрузите отчеты

После установки перетащите PDF-файлы или папку с ними в список.

Настройте выгрузку координат и шрифтов.
2

Настройте выгрузку координат и шрифтов

Единственный формат выгрузки - «Структурированный XML». Отметьте пункт «Добавить координаты и шрифты (позиция, размер и шрифт каждого элемента)», чтобы сохранить координаты блоков, или оставьте флажок снятым, чтобы получить компактный файл, содержащий только текст.

Запустите конвертацию.
3

Запустите конвертацию

Нажмите «Конвертировать». В итоговом сообщении будет указано количество сконвертированных в XML файлов и папка с результатом. Кнопка «Остановить» корректно прерывает обработку между файлами.

Подключите свой парсер к полученным файлам.
4

Подключите свой парсер к полученным файлам

Каждый XML-файл создается в кодировке UTF-8 без метки порядка байтов (BOM). Его можно без проблем обработать с помощью XSLT, модуля Python ElementTree или встроенных средств массовой загрузки вашей базы данных.

PDF to XML Converter Software
PDF to XML Converter SoftwareОбработайте папку с отчетами через Конвертер PDF в XML и откройте первый получившийся XML-файл в редакторе кода.

Кому пригодится Конвертер PDF в XML?

Дата-инженерам
ETL-разработчикам
Системным интеграторам
BI-аналитикам
Разработчикам поисковых индексов
QA-инженерам пайплайнов обработки документов
Разработчикам систем автоматизации закупок
Специалистам по верстке и цифровой доступности

Глубина обработки каждого PDF в демоверсии

Формат выводаПробная версияЛицензия
Количество PDF в одном пакетеБез ограниченийБез ограничений
Число строк, записываемых в каждый XMLПервые 10 (строка текста или строка таблицы)Документ целиком
Строка заголовка таблицыСохраняется и не входит в лимит из 10 строк✓
Страницы за пределами лимита✗✓
XML, успешно проходящий валидацию парсером✓✓
В файлах пробной версии атрибут pages элемента document учитывает только те страницы, которые вошли в итоговую выгрузку.
  Скачать 
  Купить
От 1999 руб.
  Купить
От 1999 руб.
  Скачать 

В файлах пробной версии атрибут pages элемента document учитывает только те страницы, которые вошли в итоговую выгрузку.

PDF to XML Converter Software
PDF to XML Converter Software
Цена
от 1999 руб.
Версия
3.3
Размер файла
9 Мб
Последнее обновление
31/08/26
Ограничение пробной версии: не более 10 строк на каждый PDF в выходном XML-файле
System Requirements
  • Windows 11/10/8.1/8/7 (32/64 бит)
  • Intel i3, AMD Ryzen 5 or above
  • 4 GB of RAM or above
  • NVIDIA® GeForce® series 8 and 8M, Intel® HD Graphics 2000, Quadro FX 4800, Quadro FX 5600, AMD Radeon™ R600, Mobility Radeon™ HD 4330, Mobility FirePro™ series, Radeon™ R5 M230 or higher graphics card with up-to-date drivers
  • 1280 × 768 screen resolution, 32-bit color
  • 1 GB of free hard disk space or above

Часто задаваемые вопросы

Добавьте файл PDF или всю папку с документами в список, выберите выходной формат «Структурированный XML», укажите, нужно ли экспортировать координаты и шрифты, и нажмите «Конвертировать». Имя каждого XML-файла соответствует имени исходного PDF, а внутри формируется корневой элемент document, содержащий по одному элементу page на каждую страницу.

В формате PDF фиксируются только координаты вывода текста на экране или бумаге. Порядок чтения, сетка таблиц и смысловое разделение на заголовки и основной текст в нем обычно не хранятся. Формат XML, напротив, представляет собой обычный текст с четкой иерархией именованных элементов, удобный для чтения программами. Наш конвертер воссоздает эту структуру: объединяет разрозненные строки в абзацы, определяет заголовки по размеру шрифта и выстраивает ячейки таблиц. Если исходный PDF содержит встроенные теги структуры, программа использует их для максимально точного разбора таблиц.

Бесплатная демоверсия нашего Конвертера PDF в XML обрабатывает все добавленные файлы, но сохраняет только первые 10 строк каждого документа. Усеченный файл сохраняет корректный синтаксис XML, что позволяет оценить структуру дерева элементов на реальных отчетах и настроить парсер. В отличие от онлайн-конвертеров, которые требуют отправки файлов на сторонние серверы и редко дают предсказуемую схему выгрузки, здесь обработка идет локально. Покупка лицензии снимает ограничение на объем строк.

Добавьте PDF-файл, и программа сохранит XML-файл с тем же именем - такого же вида, как в примере в верхней части страницы. В корневом элементе документа для каждой страницы создается отдельный элемент page, внутри которого заголовки, абзацы и таблицы следуют в естественном порядке чтения. На вкладках со схемой перечислены все доступные элементы и атрибуты. Если вы выбираете лучший конвертер PDF в XML для автоматической обработки данных, первым делом запросите у каждого кандидата подобный пример готового файла.

Да. Полученный XML можно перенести в таблицы базы с помощью утилиты массовой загрузки данных или небольшого XSLT-скрипта. Строки таблиц станут записями, строка заголовка задаст имена столбцов, а заголовки разделов можно использовать как метки блоков. Такие поля, как номера счетов или сроки оплаты, придется сопоставить вручную - программа их семантику не определяет.

Объединенные ячейки сохраняют атрибуты colspan и rowspan, а строка заголовка помечается отдельно, поэтому структуру сетки легко восстановить. Если таблица разбита на несколько страниц, внутри каждого элемента page создается отдельная таблица. Заголовок помечается как таковой, только если он продублирован на странице самого PDF-документа. Отсканированные страницы преобразуются в обычные абзацы, а не в таблицы.

Нет. Программа работает строго по схеме, приведенной на вкладках выше, без поддержки пользовательских шаблонов и сопоставления полей. Если сайту или бухгалтерской системе требуется определенный формат XML, преобразуйте результат с помощью XSLT либо воспользуйтесь специализированным конвертером. Формы XML для государственных порталов обычно выгружают напрямую из профильного ПО, а не из файлов PDF.

Оценить PDF to XML Converter Software

  • Windows 7
  • Windows 8
  • Windows 10
  • Windows 11
Автор: SoftOrbits (English)
4,5
Средний рейтинг: 4,5 от 1146 голоса
Хорошо

Risk-free download

progressive-webapps/apis/offline-first Created with Sketch.
100% offline
Your files never leave your PC
Safe & secure download
Directly from the official website
No sign-up required
No account or email to get started
Trusted since 2006
Desktop software for Windows