PDF to XML Converter Software PDF to XML Converter Software

下载PDF转XML转换器软件:行与单元格中的表格

PDF转XML转换器软件将每个PDF写入XML,包含文档、页面、标题、段落和表格元素,以便脚本无需猜测布局即可加载内容。

格式正确的 UTF-8 XML,无 BOM可选坐标和字体每份 PDF 10 行试用,XML 仍然有效
PDF to XML Converter Software 截图.
SoftOrbits PDF to XML Converter for Windows 将文件夹中的 PDF 报告转换为 XML。您将获得作为元素的标题和段落,以及作为行和单元格的表格,所有内容均按阅读顺序排列。每次将季度报告加载到数据库或搜索索引时,它们都使用相同的架构。

已转换的销售报告首页。 下面是我们引擎为包含规则表格的单页测试报告生成的 XML 的开头部分。为节省空间,我们删除了段落文本、最后三行表格数据和结尾段落。元素名称、属性及其值均按原文显示。

<?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">区域汇总</heading>
    <paragraph>季度收入在所有三个区域均有所增长..</paragraph>
    <table rows="6" columns="4" source="lattice">
      <row header="1"><cell>区域</cell><cell>许可证</cell><cell>收入</cell><cell>份额</cell></row>
      <row><cell>北部</cell><cell>120</cell><cell>15,400.00</cell><cell>12%</cell></row>
      <row><cell>南部</cell><cell>157</cell><cell>17,710.00</cell><cell>15%</cell></row>
      <!-- 剩余 3 行 -->
    </table>
  </page>
</document>

XML 架构,逐个元素解析

每个文件都遵循相同的文档化架构。选择一个选项卡,即可查看哪些元素和属性何时出现。

document

根元素。包含源文件名、页数,units="pt" 和 origin="top-left"。

page

PDF 中的每一页,包含其页码。页面上的所有内容都包含在此元素内。

heading

根据所有页面中相对于正文文本的字体大小,承载 1 到 6 级标题。级别在页面之间保持一致。

paragraph

正文文本。当该选项关闭时,每个段落都将作为一段文本,并移除页面换行符。

table

包含行数和列数,以及一个 source 属性,该属性有三个可能的值:tagged(来自 PDF 标签)、lattice(来自线条)或 stream(来自文本对齐)。

row

每行一个。您的加载器可以从标记为 header="1" 的标题行读取列名。

cell

单元格文本。合并的单元格保留 colspan 或 rowspan,以便重建原始网格。

x, y, w, h

位置和尺寸(以磅为单位)。表格、单元格、标题和段落都拥有这些属性。零是左上角,y 轴向下增长,这与原生的 PDF 坐标不同。

当该选项打开时

fonts 和 fontspec

在文档顶部列出一次。每个 fontspec 都有一个 id、字体家族和大小,一个 #RRGGBB 格式的颜色,以及设置了粗体和斜体标志。元素通过 font="id" 指向它,因此颜色不会在每个元素上重复。

当该选项打开时

line 和 text

标题和段落文本将转换为嵌套的 line 和 text 元素,每个元素都有自己的框。从右到左显示的行将带有 dir="rtl"。

当该选项打开时

width 和 height

每页元素上的页面尺寸(以磅为单位)。标准的 A4 页面通常显示为 595.3 x 841.9。

scanned="1"

当页面只有图像而没有文本图层时设置。您的加载器可以将这些页面路由到手动检查。

ocr="1" 和 confidence

当页面文本来自识别时设置,并附带置信度值。识别的页面会生成段落;表格检测不适用于这些页面。

脚本可靠的数据来源.

脚本可靠的数据来源

使用 PDF 转 XML 转换器软件,您将获得来自各部门的相同报告结构。

  • 您的导入脚本可应对下一份来自财务部门的报告模板。
  • 数字可直接导入数据库列,无需人工重新输入。
  • 搜索索引可将章节标题的排名置于其他内容之上。

批处理中的每个 PDF 生成一个 XML

可添加单个文件或一个文件夹的报告。PDF 转 XML 转换器软件会为每个 PDF 创建一个 XML 文件,文件名称与源文件相同,并在覆盖之前对每个批次询问一次。请先从列表中移除受密码保护或损坏的 PDF:否则批处理将在该文件处停止。

按阅读顺序排列的元素

在两栏布局中,左栏内容先于右栏内容。希伯来语或阿拉伯语文本保留其从右到左的顺序。

文本保持其原样

文本中的大段空白会使许多表格识别器混淆。我们拒绝将非表格文本识别为表格。在我们的双栏测试文件中,有 9 个被排除,文本保持原样。

Windows 桌面程序

该程序安装在 Windows 上,内置 PDFium 和我们自己的 XML 写入器。不会向您的项目添加任何内容。您手动启动批处理:对于 PDF,没有 API、SDK 或命令行,因此服务器作业无法将其作为服务调用。

布局转储,或可查询的数据

常规途径

编辑器导出和上传网站

  • PDF 编辑器的 XML 导出描述的是页面布局,而非其数据
  • 表格以松散字符串的形式导入,没有底层网格
  • 上传转换器很少说明 PDF 内容如何映射到 XML 元素
VS
本软件

一种模式,预先展示

  • 同一份文档化模式适用于每个文件,并在本页展示
  • 在您的 PC 上运行,报告不会被上传到任何地方

如何下载和使用 PDF 转 XML 转换器软件

安装并加载报告.
1

安装并加载报告

设置完成后,将 PDF 文件或文件夹拖入列表。

确定位置和字体.
2

确定位置和字体

"结构化 XML"是唯一的输出格式。勾选"添加坐标和字体(每个元素的定位、大小、字体)"以包含块位置;不勾选则生成不包含这些信息的较小文件。

运行转换.
3

运行转换

点击"转换"。完成消息会显示已转换为 XML 的文件数量及其目标文件夹。停止可将作业在两个文件之间中断。

指向输出进行解析.
4

指向输出进行解析

所有 XML 均采用 UTF-8 编码,无字节顺序标记。请使用 XSLT、Python 的 ElementTree 或数据库的批量加载器进行读取。

PDF to XML Converter Software
PDF to XML Converter Software将您自己的报告文件夹通过 PDF 转 XML 转换器软件运行,然后在编辑器中打开第一个 XML。

谁会使用 PDF 转 XML 转换工具?

数据工程师
ETL 开发人员
系统集成商
BI 分析师
搜索索引开发人员
文档管道 QA 测试人员
采购自动化开发人员
可访问性和布局分析师

每次 PDF 的试用范围

输出格式试用版许可证
一次性处理的 PDF不限不限
写入每个 XML 的行数前 10 行(每行一个文本行或一个表格行)整个文档
表格标题行保留,不计入 10 行✓
超出限制的页面✗✓
能够通过解析器的 XML✓✓
在试用文件中,document 的 pages 属性仅计算已包含的页面。
  下载 
  立即购买
从 ¥ 69.99
  立即购买
从 ¥ 69.99
  下载 

在试用文件中,document 的 pages 属性仅计算已包含的页面。

PDF to XML Converter Software
PDF to XML Converter Software
价格
从 ¥ 69.99
版本
3.3
文件尺寸
9 Mb
最近更新时间
17/09/26
试用限制为每个 PDF 10 行输出到 XML
System Requirements
  • Windows 11/10/8.1/8/7 (32/64 位)
  • Intel i3, AMD Ryzen 5 或以上
  • 4 GB 或以上内存
  • NVIDIA® GeForce® 系列 8 和 8M、Intel® HD Graphics 2000、Quadro FX 4800、Quadro FX 5600、AMD Radeon™ R600、Mobility Radeon™ HD 4330、Mobility FirePro™ 系列、Radeon™ R5 M230 或更高显卡,并具有最新驱动程序
  • 1280 × 768 屏幕分辨率,32 位色彩
  • 1 GB 或以上可用硬盘空间

常见问题

将 PDF 或整个文件夹添加到列表,将"结构化 XML"保留为输出,选择是否包含坐标和字体,然后按"转换"。每个 XML 文件以 PDF 的名称命名,并具有一个 document 根元素,每个页面包含一个 page 元素。

PDF 记录文本位置。阅读顺序、表格网格以及标题和正文文本的区别大多未作为数据存储。XML 在纯文本中使用嵌套的、命名的元素供程序读取。程序通过将行分组为段落、按字体大小识别标题和查找表单元格来重建此结构。标记的 PDF 包含一些结构;程序会在可用时使用其表格标签。

我们的 PDF 转 XML 转换器的免费试用版会转换您添加的每个 PDF,但只写入每个 PDF 的前 10 行。缩短的文件仍然是有效的 XML,因此您可以检查报告的元素树并测试您的解析器。在线服务需要上传,并且很少描述其 XML 输出。购买许可证可解除此限制。

添加 PDF 后,程序将保存一个同名 XML 文件。其格式如本页顶部示例所示。文档根包含一个用于每页的页面元素,在每个页面内,标题、段落和表格按照阅读顺序排列。模式选项卡列出了所有元素和属性。当您在搜索最佳 PDF 转 XML 转换器以用于数据管道时,请务必先要求其提供此类输出样本。

可以。您可以使用批量加载器或简短的 XSLT 脚本将 XML 映射到表。表行成为记录,标题行提供列名,标题可以用作章节标签。您必须自己映射发票号码和到期日期等字段;程序无法识别它们。

合并单元格保留 colspan 或 rowspan,并且标题行会进行标记,以便您重建网格。跨越多个页面的表格会在每个页面元素内成为一个独立的表格。标记的标题行仅在 PDF 重复标题的地方显示。扫描的页面会生成段落,而不是表格。

不能。该程序使用上面选项卡中显示的模式,没有模板或字段映射。对于期望其自己 XML 的网站或会计程序,请使用 XSLT 转换输出,或使用为该格式制作的程序。政府网站的 XML 表单通常来自表单自己的软件,而不是 PDF。

评价 PDF to XML Converter Software

  • Windows 7
  • Windows 8
  • Windows 10
  • Windows 11
作者: SoftOrbits (English)
4.5
平均评价: 4.5 从 1155 投票
好

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