Konversi PDF ke XML gratis online

Cara mengonversi PDF ke XML online

1. Klik Pilih file atau seret PDF Anda ke area unggah.
2. Secara opsional, atur rentang halaman jika Anda hanya memerlukan sebagian dokumen.
3. Klik Konversi ke XML dan tunggu saat pdf.js menganalisis teks dan koordinat setiap halaman.
4. Unduh file .xml langsung ke perangkat Anda — tanpa pendaftaran.

Seperti apa struktur XML dan apa yang ditangkapnya

Hasilnya adalah dokumen XML UTF-8 yang well-formed. Elemen root <document> berisi satu elemen anak <page number="N"> per halaman yang dikonversi. Di dalam setiap halaman, elemen <text> menyimpan konten teks yang diekstrak beserta atribut x, y, width, dan height yang mewakili kotak pembatas dalam satuan pengguna PDF. Ini membuat hasilnya dapat dibaca mesin tanpa transformasi lebih lanjut: Anda dapat menggunakan XPath, memuatnya ke parser DOM, atau memprosesnya dengan stylesheet XSLT. Satu catatan penting: konverter bergantung pada lapisan teks yang tersemat di dalam PDF. PDF yang hanya tersusun dari gambar atau jalur gambar, tanpa objek teks, akan menghasilkan kerangka XML dengan konten teks kosong. Dokumen hasil pindai termasuk dalam kategori ini dan memerlukan proses OCR terlebih dahulu.

Kapan menggunakan PDF ke XML

Alat ini cocok untuk alur kerja apa pun yang perlu memperlakukan PDF sebagai data terstruktur, bukan sebagai artefak visual yang tetap. Skenario umum meliputi: memasukkan teks kontrak atau faktur ke pipeline data yang mengharapkan input XML; mengarsipkan konten dokumen dalam format yang tetap dapat diurai tanpa alat PDF; memigrasikan pustaka dokumen dalam jumlah besar ke CMS atau basis data yang menerima feed XML; dan pemeriksaan kualitas otomatis di mana skrip memvalidasi bahwa frasa atau judul yang diperlukan muncul pada koordinat yang diharapkan. Opsi rentang halaman sangat berguna ketika hanya bagian tertentu dari laporan panjang yang memuat data yang Anda butuhkan, sehingga menghemat waktu penguraian dan menjaga file keluaran tetap kecil.

Pertanyaan umum

Apa sebenarnya isi XML yang dihasilkan?

XML yang dihasilkan membungkus dokumen dalam elemen root, lalu mengelompokkan konten per halaman. Setiap elemen halaman membawa atribut nomor dan berisi elemen anak blok teks. Setiap blok teks mencatat string yang diekstrak beserta koordinat x/y dan dimensi kotak pembatasnya sebagai atribut, sehingga Anda dapat merekonstruksi urutan baca perkiraan atau tata letak spasial secara terprogram.

Apakah alat ini mempertahankan struktur dokumen, atau hanya membuang teks mentah?

Alat ini lebih dari sekadar membuang teks polos. pdf.js digunakan untuk mengekstrak elemen teks beserta posisinya di setiap halaman, dan elemen-elemen tersebut diserialkan sebagai elemen XML terstruktur dengan metadata koordinat. Judul dan teks isi tidak dibedakan secara semantik dalam hasilnya — klasifikasi itu memerlukan pascapemrosesan heuristik di sisi Anda — tetapi data spasialnya tersedia untuk mendukungnya.

Apakah berfungsi pada PDF hasil pindai?

Hanya sebagian. PDF hasil pindai adalah gambar; tidak memuat lapisan teks tersemat. Konverter akan menghasilkan file XML dengan elemen halaman kosong atau hampir kosong. Jika Anda memerlukan teks dari dokumen pindai, proses dulu dengan alat OCR PDF untuk menyematkan lapisan teks, lalu konversi ke XML.

Bisakah saya menargetkan halaman tertentu alih-alih seluruh file?

Bisa. Alat ini menyertakan pemilih rentang halaman. Masukkan satu halaman, daftar yang dipisahkan koma, atau rentang dengan tanda hubung (misalnya, 2-8) untuk membatasi konversi ke halaman tersebut. Hanya halaman yang ditentukan yang muncul dalam XML yang dihasilkan, dan atribut nomor halamannya mencerminkan penomoran dokumen asli.

Apakah file saya keluar dari perangkat saya selama konversi?

Tidak. Konversi berjalan sepenuhnya di browser Anda melalui WebAssembly. PDF Anda dibaca dari memori lokal, diurai di perangkat, dan XML yang dihasilkan disusun serta diunduh tanpa transfer jaringan apa pun. Tidak ada file yang pernah sampai ke server.