Převod souboru PDF do XML

Systém pro správu dokumentů, publikační workflow nebo podniková aplikace může pro import vyžadovat XML namísto PDF s pevným rozvržením. Převodem se obsah souboru extrahuje do značek, které software může vyhledávat, transformovat nebo ukládat odděleně od vzhledu stránky.

Co je PDF

PDF je formát pro popis stránky standardizovaný jako ISO 32000. Zachovává písma, grafiku, obrázky, anotace a geometrii stránky, takže se dokumenty zobrazují a tisknou konzistentně napříč systémy. Firmy, vydavatelé, vládní agentury i jednotlivci používají PDF pro formuláře, zprávy, faktury, příručky, smlouvy a archivní kopie.

PDF může obsahovat text, který lze vybrat, naskenované obrázky stránek, vektorovou grafiku, vložená písma, tabulky, metadata a interaktivní pole. Jeho vizuální rozvržení nezaručuje, že soubor obsahuje logické pořadí čtení nebo sémantické značky.

Co je XML

XML je textový značkovací formát, který reprezentuje data ve vnořených prvcích a atributech, například <invoice><total>125.00</total></invoice>. XML nedefinuje univerzální strukturu dokumentu: přijímající aplikace, oborový standard nebo organizace musí prostřednictvím schématu či dokumentace určit názvy prvků, hierarchii, datové typy a požadované atributy.

Na rozdíl od PDF odděluje XML obsah a vztahy mezi daty od vzhledu stránky. Aplikace je mohou analyzovat, ověřovat, dotazovat se na ně, transformovat pomocí XSLT a importovat do databází nebo publikačních systémů. XML není automaticky menší než PDF a převod do XML nezachová vzhled stránky, pokud nejsou zahrnuty souřadnice, styly nebo prvky specifické pro rozvržení.

Převod textového PDF pomocí Acrobatu

1. Otevřete soubor v Adobe Acrobat Pro; Acrobat Reader neposkytuje stejné funkce exportu.
2. Pokud text nelze vybrat, spusťte All tools → Scan & OCR → Recognize Text, zvolte jazyk dokumentu a zkontrolujte rozpoznaný text.
3. Zvolte File → Export To → More Options → XML 1.0, pokud je tento formát v nainstalované verzi Acrobatu dostupný.
4. Uložte výsledek a zkontrolujte jej v editoru XML nebo textovém editoru. Ověřte, že struktura exportovaných prvků odpovídá schématu požadovanému přijímajícím systémem.

Export XML v Acrobatu je extrakce, nikoli záruka formátu specifického pro danou oblast, například schématu pro faktury, publikování nebo právní dokumenty. Názvy nabídek a dostupnost XML se liší podle verze a licence Acrobatu.

Převod pomocí dávkového nástroje nebo nástroje příkazového řádku

Pro textová PDF a automatizované úlohy může nástroj pdftohtml z Poppleru vytvářet XML:

pdftohtml -xml input.pdf output.xml

Tento výstup obvykle popisuje pozice textu, písma a stránky. Je užitečný pro zpracování s ohledem na rozvržení, obecně však neurčuje vizuálně nakreslenou tabulku jako sémantickou tabulku XML a nevytváří schéma očekávané podnikovou aplikací. Naskenovaná PDF vyžadují OCR před extrakcí nebo během ní; chyby OCR je nutné zkontrolovat.

U opakovaných převodů nejprve definujte cílové schéma XML, namapujte pole PDF na toto schéma a každý výsledek ověřte pomocí parseru XML nebo validátoru schématu. Pokud PDF používá nepravidelné sloupce, opakující se záhlaví, smíšené směry čtení nebo složité formuláře, může být nutný vlastní extrakční skript.

Použití online převodníku

Online služby, jako jsou PDF.co a Zamzar, nabízejí převod PDF do XML nebo související možnosti extrakce; vyberte vstupní PDF, zvolte XML, pokud je k dispozici, nahrajte soubor, převeďte jej a stáhněte výsledek. Než se na službu spolehnete, ověřte její aktuální typ výstupu a omezení, protože některé služby vytvářejí XML orientované na rozvržení, nikoli schéma specifické pro danou oblast.

Nenahrávejte důvěrné smlouvy, osobní záznamy, přihlašovací údaje ani regulovaná data, pokud podmínky poskytovatele týkající se uchovávání, šifrování, místa zpracování a mazání nesplňují vaše požadavky. U citlivých souborů nebo souborů zpracovávaných ve velkém objemu použijte raději Acrobat nebo lokálně nainstalovaný extrakční nástroj.

Omezení kvality a kompatibility

• Skeny vyžadují OCR: PDF obsahující pouze obrázky nemá textovou vrstvu, kterou by bylo možné exportovat. Rozpoznávání může zaměnit znaky, ztratit interpunkci a nesprávně interpretovat sloupce nebo rukopis.
• Rozvržení je nejednoznačné: PDF ukládá umístění objektů na stránce, nikoli nutně jejich logické pořadí. Vícesloupcový text, poznámky pod čarou, záhlaví a postranní panely mohou být exportovány v nesprávném pořadí.
• Tabulky je nutné ověřit: čáry a zarovnaný text ne vždy kódují řádky a sloupce. Zkontrolujte součty, sloučené buňky, oddělovače desetinných míst a opakující se záhlaví.
• Formátování může zmizet: konce stránek, písma, přesné mezery, anotace, formuláře, podpisy a vizuální styl obvykle nejsou reprezentovány běžným obsahovým XML.
• Validace je od převodu oddělená: dobře vytvořené XML může stále obsahovat nesprávné hodnoty nebo porušovat schéma přijímajícího systému. Před importem ověřte syntaxi i obchodní pravidla.