PDF to Structured XML Exporter

プログラムが読める形で、PDFの内容をXMLに

PDFファイルを構造化されたXMLに、オフラインで一括変換。ページ、見出し、段落、そして行とセルに分けた表を出力します。ブロックごとの座標とフォントも任意で追加できます。無料体験版あり。

無料トライアルをダウンロードライセンスを購入

Full seller details: Legal information.

PDF to Structured XML Exporter — screenshot.

レポートのフォルダを渡すと、PDFごとに1つのXMLファイルが作られます。ページごとのpage要素、レベル付きの見出し、段落、そして行とセルに分解された表です。Windows PC上で動作するため、何もアップロードされません。

PDFが知っているのはインクの位置であって、意味ではない

PDFの中には、段落も見出しも表もありません。あるのは、ページ上の座標に置かれたテキストの断片だけです。印刷には問題ありませんが、インポート用のスクリプトには役に立ちません。PDFエディターのXMLエクスポートは、ほとんどがそのレイアウトを記述するだけで、アップロード型のサイトも出力の作り方をほとんど説明しません。このプログラムは、代わりに構造を再構築します。行を段落にまとめ、フォントサイズで見出しの階層を決め、表のグリッドを見つけて、毎回同じスキーマで書き出すため、それを読むコードが推測する必要はありません。

How to use it

1

PDFを読み込む

ファイルを個別に、またはフォルダごと追加します。各PDFには元の名前を付けた専用のXMLファイルが作られ、以前の出力を置き換える前に、一括処理ごとに一度だけ確認が入ります。

2

簡易出力か詳細出力かを選ぶ

座標をオフにすると、構造とテキストだけのコンパクトなファイルになります。オンにすると、すべてのブロックにポイント単位のx、y、w、h、フォント項目への参照、入れ子になったlineおよびtext要素が付きます。pdftohtml -xmlから期待されるのと同じ詳細レベルです。

3

ファイルをあなたのコードに渡す

すべてのファイルは、バイトオーダーマークなしの整形式UTF-8です。ElementTree、lxml、XSLT、またはデータベースのXMLローダーで読み込めます。要素名が、レポートごとに変わることはありません。

Benefits

表は、バラバラの文字列ではなくグリッドとして届く

各表には、行数と列数、header="1"で示される見出し行、結合されたセルのcolspanまたはrowspanが付きます。ローダーは見出しから列名を取り、それ以外の行をレコードに変換できます。複数のページにまたがる表は、ページごとに1つの表として書き出されます。

無料トライアルをダウンロードライセンスを購入

すべてのファイルで同じスキーマ

document、page、heading、paragraph、table、row、cellは、PDFが経理部、仕入先、スキャナーのどこから来たものでも、どの出力でも同じ名前と属性です。来四半期のレポートが届いたときも、今回のために書いたインポート処理でそのまま読み込めます。

無料トライアルをダウンロードライセンスを購入

あなた自身のPCで動作

レポート、契約書、価格表はローカルで読み書きされ、アップロードもアカウントも不要です。機密文書がサードパーティのサービスに渡ることはなく、インターネットに接続できないマシンでも処理を実行できます。

無料トライアルをダウンロードライセンスを購入

選ばれる理由

信頼できる見出しレベル

レベル1から6は、ページごとではなく、文書全体の本文と比較したフォントサイズで決まります。40ページ目の章タイトルは、2ページ目のものと同じレベルになるため、検索インデックスや目次がそれを信頼できます。

スキャンしたページは隠さず、印を付ける

テキストレイヤーのないページには、scanned="1"が付きます。そのテキストが文字認識(ラテン文字とキリル文字)で得られた場合、ページにはocr="1"と信頼度の値が付き、出力されるのは段落のみです。認識されたページでは表は検出されません。パイプラインで、これらのページを手動確認に回せます。

文章を表と取り違えない

単語の間隔が広いと、多くの表検出ツールは2段組みの記事を偽のグリッドに変えてしまいます。そうした候補は却下され、本物の表にはすべて、見つけ方(PDFのタグ、罫線、テキストの配置のどれか)がsource属性に記録されます。

よくある質問

いいえ。出力は常に内蔵の1つのスキーマに従い、テンプレートやフィールドの対応付けはありません。請求書番号や支払期日などのフィールドを抜き出すこともありません。システムが独自のXMLを求める場合は、この出力をXSLTまたは短いスクリプトで変換してください。
いいえ。手動で操作するWindowsのデスクトッププログラムで、ファイルを追加して一括処理を開始します。SDK、リンクできるライブラリ、PDF用のコマンドラインはないため、サーバーのジョブから呼び出すことはできません。ご自分で準備した一括処理に向いており、リクエストに応じて変換するサービスには向いていません。
すべてのPDFが変換されますが、各XMLに含まれるのは先頭の10行だけです。ここでの1行は、テキストの1行または表の1行を指します。表の見出し行は保持され、数に含まれません。短縮されたファイルも有効なXMLなので、パーサーを実行して実際の要素ツリーを確認してから、ライセンスを一度だけ購入できます。

System Requirements

PDF to Structured XML Exporter

Languages

Version

3.3

File Size

9 Mb

Last updated on

October 8, 2026

今すぐ購入
GRT requirements price see orderダウンロード
  • 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