PDF to Structured XML Exporter
PDF:n sisältö XML:nä, jonka ohjelma osaa lukea
Muunna PDF-tiedostot rakenteiseksi XML:ksi erässä, offline-tilassa: sivut, otsikot, kappaleet ja taulukot riveinä ja soluina. Valinnaiset koordinaatit ja fontit jokaiselle lohkolle. Ilmainen kokeilu.
Full seller details: Legal information.
Anna sille kansiollinen raportteja ja saat yhden XML-tiedoston jokaista PDF:ää kohti: page-elementti jokaiselle sivulle, otsikot tasoineen, kappaleet ja taulukot jaettuna riveihin ja soluihin. Se toimii Windows-tietokoneellasi, joten mitään ei ladata minnekään.
PDF tietää, minne muste menee, ei mitä se tarkoittaa
PDF:n sisällä ei ole kappaletta, otsikkoa eikä taulukkoa - vain tekstinpalasia sijoitettuna sivun koordinaatteihin. Se sopii tulostukseen ja on hyödytön tuontiskriptille. PDF-editorien XML-vienti kuvaa enimmäkseen sitä asettelua, ja latauspalvelut harvoin kertovat, miten niiden tuloste on rakennettu. Tämä ohjelma rakentaa rakenteen uudelleen: se ryhmittelee rivit kappaleiksi, järjestää otsikot fonttikoon mukaan, löytää taulukkoruudukot ja kirjoittaa kaiken joka kerta samaan skeemaan, jotta sen lukevan koodin ei tarvitse arvailla.
How to use it
Lataa PDF-tiedostot
Lisää yksittäisiä tiedostoja tai kokonainen kansio. Jokainen PDF saa oman XML-tiedostonsa lähteen mukaan nimettynä, ja ohjelma kysyy kerran erää kohti ennen vanhemman tulosteen korvaamista.
Valitse kevyt tai yksityiskohtainen tuloste
Jätä koordinaatit pois, niin saat tiiviin tiedoston, jossa on vain rakenne ja teksti. Ota ne käyttöön, ja jokainen lohko saa x:n, y:n, w:n ja h:n pisteinä, viittauksen fonttimerkintään sekä sisäkkäiset rivi- ja tekstielementit - sen yksityiskohtaisuuden, jota odottaisit pdftohtml -xml:ltä.
Anna tiedostot koodillesi
Jokainen tiedosto on hyvin muodostettua UTF-8:aa ilman tavujärjestysmerkkiä. Lue se ElementTreellä, lxml:llä, XSLT:llä tai tietokantasi XML-lataajalla; elementtien nimet eivät muutu raportista toiseen.
Benefits
Taulukot saapuvat ruudukkona, eivät irtonaisina merkkijonoina
Jokaisella taulukolla on rivi- ja sarakemääränsä, otsikkorivi merkittynä header="1" ja colspan tai rowspan yhdistetyille soluille. Lataajasi voi ottaa sarakenimet otsikosta ja muuttaa jokaisen muun rivin tietueeksi. Usealle sivulle ulottuva taulukko kirjoitetaan yhtenä taulukkona sivua kohti.
Yksi skeema jokaiselle tiedostolle
document, page, heading, paragraph, table, row, cell - samat nimet ja attribuutit jokaisessa tulosteessa, tuli PDF taloushallinnosta, toimittajalta tai skannerista. Kun ensi neljänneksen raportti saapuu, tälle kirjoittamasi tuonti lukee senkin.
Toimii omalla tietokoneellasi
Raportit, sopimukset ja hinnastot luetaan ja kirjoitetaan paikallisesti, ilman latausta ja tiliä. Luottamukselliset asiakirjat pysyvät kolmansien osapuolten palveluiden ulkopuolella, ja työ toimii koneella, jolla ei ole lainkaan internetyhteyttä.
Miksi ihmiset käyttävät sitä
Otsikkotasot, joihin voi luottaa
Tasot 1-6 asetetaan fonttikoosta verrattuna koko asiakirjan leipätekstiin, ei sivu sivulta. Luvun otsikko sivulla 40 saa saman tason kuin sivun 2 otsikko, joten hakuhakemisto tai sisällysluettelo voi luottaa siihen.
Skannatut sivut merkitään, ei piiloteta
Sivu ilman tekstikerrosta merkitään scanned="1". Kun sen teksti tulee tunnistuksesta (latinalaiset ja kyrilliset kirjoitusjärjestelmät), sivulla on ocr="1" ja luottamusarvo, ja saat vain kappaleita - taulukoita ei tunnisteta tunnistetuilla sivuilla. Putkesi voi ohjata nämä sivut manuaaliseen tarkistukseen.
Proosaa ei luulla taulukoksi
Leveät välit sanojen välillä huijaavat monia taulukkohakuja muuttamaan kaksisarakkeisen artikkelin vääräksi ruudukoksi. Tällaiset ehdokkaat hylätään, ja jokainen oikea taulukko kirjaa source-attribuuttiinsa, miten se löytyi - PDF-tunnisteista, viivoista vai tekstin kohdistuksesta.
UKK
System Requirements
PDF to Structured XML Exporter
Languages
3.3
9 Mb
October 8, 2026
- Windows 11/10/8.1/8/7 (32/64 bit)
- 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
GRT requirements trial note