PDF to Structured XML Exporter
Nội dung PDF dưới dạng XML mà chương trình đọc được
Chuyển tệp PDF sang XML có cấu trúc hàng loạt, ngoại tuyến: trang, tiêu đề, đoạn văn và bảng dưới dạng hàng và ô. Tùy chọn tọa độ và phông chữ cho từng khối. Dùng thử miễn phí.
Full seller details: Legal information.
Đưa vào một thư mục báo cáo và nhận một tệp XML cho mỗi PDF: một phần tử page cho mỗi trang, tiêu đề kèm cấp độ, đoạn văn, và bảng được chia thành hàng và ô. Nó chạy trên máy tính Windows của bạn, nên không có gì được tải lên.
PDF biết mực nằm ở đâu, không biết nó có nghĩa gì
Bên trong PDF không có đoạn văn, tiêu đề hay bảng - chỉ có các mẩu văn bản đặt tại tọa độ trên trang. Điều đó ổn cho việc in và vô dụng cho script nhập liệu. Tính năng xuất XML trong trình chỉnh sửa PDF chủ yếu mô tả bố cục đó, và các trang tải lên hiếm khi nói đầu ra của họ được dựng thế nào. Chương trình này dựng lại cấu trúc: nó gom các dòng thành đoạn, xếp hạng tiêu đề theo cỡ chữ, tìm lưới bảng và ghi tất cả theo cùng một lược đồ mỗi lần, để mã đọc nó không phải đoán.
How to use it
Nạp các PDF
Thêm từng tệp hoặc cả thư mục. Mỗi PDF có tệp XML riêng đặt theo tên nguồn, và chương trình hỏi một lần cho mỗi lô trước khi thay thế đầu ra cũ hơn.
Chọn đầu ra gọn hoặc chi tiết
Tắt tọa độ để có tệp gọn chỉ gồm cấu trúc và văn bản. Bật lên thì mỗi khối có x, y, w và h tính bằng point, tham chiếu đến mục phông chữ, và các phần tử dòng và văn bản lồng nhau - mức chi tiết bạn mong đợi từ pdftohtml -xml.
Giao tệp cho mã của bạn
Mỗi tệp là UTF-8 hợp lệ không có dấu thứ tự byte. Đọc nó bằng ElementTree, lxml, XSLT hoặc trình nạp XML của cơ sở dữ liệu; tên phần tử không đổi từ báo cáo này sang báo cáo khác.
Benefits
Bảng đến dưới dạng lưới, không phải chuỗi rời
Mỗi bảng mang số hàng và số cột, một hàng tiêu đề được đánh dấu header="1", cùng colspan hoặc rowspan cho ô gộp. Trình nạp của bạn có thể lấy tên cột từ hàng tiêu đề và biến mọi hàng khác thành một bản ghi. Bảng trải dài nhiều trang được ghi thành một bảng cho mỗi trang.
Một lược đồ cho mọi tệp
document, page, heading, paragraph, table, row, cell - cùng tên và thuộc tính trong mọi đầu ra, dù PDF đến từ bộ phận tài chính, nhà cung cấp hay máy quét. Khi báo cáo quý sau đến, bộ nhập bạn viết cho báo cáo này cũng đọc được nó.
Chạy trên máy tính của bạn
Báo cáo, hợp đồng và bảng giá được đọc và ghi cục bộ, không tải lên và không cần tài khoản. Tài liệu mật không đi qua dịch vụ bên thứ ba, và công việc chạy được trên máy hoàn toàn không có internet.
Tại sao mọi người sử dụng nó
Cấp độ tiêu đề bạn có thể tin cậy
Cấp 1 đến 6 được đặt từ cỡ chữ so với văn bản chính của cả tài liệu, không theo từng trang. Tiêu đề chương ở trang 40 có cùng cấp với tiêu đề ở trang 2, nên chỉ mục tìm kiếm hay mục lục có thể tin cậy vào nó.
Trang quét được gắn cờ, không bị giấu
Trang không có lớp văn bản được đánh dấu scanned="1". Khi văn bản của nó đến từ nhận dạng (chữ Latin và Cyrillic), trang mang ocr="1" và một giá trị độ tin cậy, và bạn chỉ nhận được đoạn văn - bảng không được phát hiện trên trang nhận dạng. Quy trình của bạn có thể chuyển các trang đó sang kiểm tra thủ công.
Văn xuôi không bị nhầm là bảng
Khoảng cách rộng giữa các từ đánh lừa nhiều bộ dò bảng, biến bài báo hai cột thành lưới giả. Những ứng viên như vậy bị loại, và mỗi bảng thật ghi lại nó được tìm thấy bằng cách nào - từ thẻ PDF, từ đường kẻ hay từ căn chỉnh văn bản - trong thuộc tính source.
Câu hỏi thường gặp
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