PDFをXMLに無料でオンライン変換

PDFをXMLにオンラインで変換する方法

1. ファイルを選択をクリックするか、アップロードゾーンにPDFをドラッグします。
2. 文書の一部だけが必要な場合は、任意でページ範囲を指定します。
3. XMLに変換をクリックし、pdf.jsが各ページのテキストと座標を解析するのを待ちます。
4. .xmlファイルを登録不要でそのままデバイスにダウンロードします。

XMLの構造と取得される内容

出力は整形式のUTF-8 XML文書です。ルート要素<document>には、変換された各ページにつき1つの子要素<page number="N">が含まれます。各ページ内では、<text>要素が抽出されたテキスト内容を保持し、PDFのユーザー単位での境界ボックスを表すx、y、width、height属性を伴います。これにより、出力はそれ以上の変換なしで機械可読になります。XPathで参照したり、DOMパーサーに読み込んだり、XSLTスタイルシートで処理したりできます。重要な注意点として、コンバーターはPDFに埋め込まれたテキストレイヤーに依存します。画像や描画パスのみで構成され、テキストオブジェクトを持たないPDFは、テキスト内容が空のXMLの骨組みを生成します。スキャンされた文書はこのカテゴリーに該当し、先にOCR処理が必要です。

PDFからXMLへの変換を使う場面

このツールは、PDFを固定的な視覚的成果物ではなく構造化データとして扱う必要があるあらゆるワークフローに適しています。代表的な例: XML入力を前提とするデータパイプラインに契約書や請求書のテキストを取り込む、PDFツールなしでも解析可能な形式で文書内容をアーカイブする、XMLフィードを受け付けるCMSやデータベースに大量の文書ライブラリを移行する、そしてスクリプトが必要な語句や見出しが想定の座標に表示されるかを検証する自動品質チェックなどです。ページ範囲オプションは、長いレポートの特定のセクションだけに必要なデータが含まれている場合に特に便利で、解析時間を節約し、出力ファイルを小さく保ちます。

よくある質問

生成されるXMLには実際に何が含まれますか？

生成されるXMLは文書をルート要素で包み、内容をページごとにグループ化します。各ページ要素は番号属性を持ち、テキストブロックの子要素を含みます。各テキストブロックは、抽出された文字列とともに、x/y座標と境界ボックスの寸法を属性として記録するため、おおよその読み順や空間的なレイアウトをプログラムで再構築できます。

このツールは文書構造を保持しますか、それとも生のテキストを出力するだけですか？

このツールは単純なテキスト出力にとどまりません。pdf.jsを使って各ページ上の位置とともにテキスト要素を抽出し、それらの要素を座標メタデータ付きの構造化XML要素としてシリアライズします。見出しと本文は出力上で意味的に区別されません（その分類にはお客様側でのヒューリスティックな後処理が必要になります）が、それを支えるための空間データは含まれています。

スキャンされたPDFでも動作しますか？

部分的にのみ動作します。スキャンされたPDFは画像であり、埋め込みテキストレイヤーを含みません。コンバーターは、空またはほぼ空のページ要素を持つXMLファイルを生成します。スキャン文書のテキストが必要な場合は、まずOCR PDFツールでテキストレイヤーを埋め込んでからXMLに変換してください。

ファイル全体ではなく特定のページだけを変換できますか？

はい。ツールにはページ範囲セレクターがあります。単一ページ、カンマ区切りのリスト、またはハイフンでつないだ範囲（例: 2-8）を入力すると、変換をそれらのページに限定できます。生成されるXMLには指定したページのみが表示され、そのページ番号属性は元の文書の番号付けを反映します。

変換中にファイルがデバイスの外に出ますか？

いいえ。変換はWebAssemblyによって完全にブラウザー内で実行されます。PDFはローカルメモリから読み込まれ、デバイス上で解析され、生成されたXMLはネットワーク転送なしで組み立てられてダウンロードされます。ファイルがサーバーに届くことは一切ありません。