PDF to Structured XML Exporter
PDF-tartalom XML-ként, amelyet egy program el tud olvasni
Konvertáljon PDF-fájlokat strukturált XML-lé kötegelve, offline: oldalak, címsorok, bekezdések és táblázatok sorokként és cellákként. Opcionálisan koordináták és betűtípusok minden blokkhoz. Ingyenes próbaverzió.
Full seller details: Legal information.
Adjon meg egy jelentésekkel teli mappát, és PDF-enként egy XML-fájlt kap: minden oldalhoz oldalelemet, szintjelzett címsorokat, bekezdéseket és sorokra meg cellákra bontott táblázatokat. A Windows-számítógépén fut, így semmi nem kerül feltöltésre.
A PDF tudja, hová kerül a tinta, de azt nem, mit jelent
A PDF-ben nincs bekezdés, címsor vagy táblázat - csak az oldalon koordinátákra helyezett szövegdarabok. Ez nyomtatáshoz megfelelő, importszkripthez viszont használhatatlan. A PDF-szerkesztők XML-exportja többnyire ezt az elrendezést írja le, a feltöltős oldalak pedig ritkán árulják el, hogyan épül fel a kimenetük. Ez a program ehelyett újraépíti a szerkezetet: a sorokat bekezdésekbe csoportosítja, a címsorokat betűméret szerint rangsorolja, megkeresi a táblázatrácsokat, és mindent minden alkalommal ugyanabba a sémába ír, így az azt olvasó kódnak nem kell találgatnia.
How to use it
A PDF-ek betöltése
Adjon hozzá egyes fájlokat vagy egy egész mappát. Minden PDF saját, a forrásról elnevezett XML-fájlt kap, a program pedig kötegenként egyszer rákérdez, mielőtt a régebbi kimenetet lecseréli.
Könnyű vagy részletes kimenet választása
Hagyja ki a koordinátákat a tömör, csak szerkezetet és szöveget tartalmazó fájlhoz. Kapcsolja be őket, és minden blokk kap x, y, w és h értéket pontokban, hivatkozást egy betűtípus-bejegyzésre, valamint egymásba ágyazott sor- és szövegelemeket - ez az a részletesség, amelyet a pdftohtml -xml parancstól vár.
Adja át a fájlokat a kódjának
Minden fájl jól formált UTF-8, bájtsorrend-jelölő nélkül. Olvassa be ElementTree-vel, lxml-lel, XSLT-vel vagy az adatbázisa XML-betöltőjével; az elemnevek jelentésről jelentésre nem változnak.
Benefits
A táblázatok rácsként érkeznek, nem szétszórt szövegként
Minden táblázat tartalmazza a sorok és oszlopok számát, a header="1" jelölésű fejlécsort, az összevont celláknál pedig a colspan vagy rowspan attribútumot. A betöltője a fejlécből veheti az oszlopneveket, és minden további sorból rekordot készíthet. A több oldalon átnyúló táblázat oldalanként egy táblázatként íródik.
Egyetlen séma minden fájlhoz
document, page, heading, paragraph, table, row, cell - minden kimenetben ugyanazok a nevek és attribútumok, akár a pénzügyről, akár egy beszállítótól, akár egy szkennerből jött a PDF. Ha megérkezik a következő negyedéves jelentés, az ehhez írt import azt is beolvassa.
A saját számítógépén fut
A jelentéseket, szerződéseket és árlistákat a program helyben olvassa és írja, feltöltés és fiók nélkül. A bizalmas dokumentumok kimaradnak a harmadik fél szolgáltatásaiból, a feladat pedig internetkapcsolat nélküli gépen is lefut.
Miért használják az emberek?
Megbízható címsorszintek
Az 1-től 6-ig terjedő szinteket a betűméretnek az egész dokumentum törzsszövegéhez viszonyított aránya határozza meg, nem oldalanként. A 40. oldalon lévő fejezetcím ugyanazt a szintet kapja, mint a 2. oldalon lévő, így egy keresőindex vagy tartalomjegyzék megbízhat benne.
A szkennelt oldalak jelölve vannak, nem elrejtve
A szövegréteg nélküli oldalt scanned="1" jelöli. Ha a szövege felismerésből származik (latin és cirill írásrendszer), az oldal ocr="1" attribútumot és megbízhatósági értéket kap, a kimenet pedig csak bekezdéseket tartalmaz - a felismert oldalakon a táblázatokat nem érzékeli. A feldolgozási folyamata ezeket az oldalakat kézi ellenőrzésre irányíthatja.
A prózát nem nézi táblázatnak
A szavak közötti nagy hézagok sok táblázatkereső programot becsapnak, és a kétoszlopos cikket hamis rácsnak nézik. Az ilyen jelölteket a program elveti, minden valódi táblázat pedig a source attribútumban rögzíti, hogyan találta meg - a PDF-címkékből, a vonalakból vagy a szöveg igazításából.
GYIK
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