PDF to XML Converter Software PDF to XML Converter Software

Baixar o Software Conversor de PDF para XML: tabelas como linhas e células

O Software Conversor de PDF para XML grava cada PDF em XML com elementos de documento, página, título, parágrafo e tabela, permitindo que qualquer script processe o conteúdo sem precisar deduzir o layout.

XML em UTF-8 bem formatado, sem BOMCoordenadas e fontes opcionaisVersão de avaliação de 10 linhas por PDF, gerando XML válido
PDF to XML Converter Software Captura de ecrã.
O SoftOrbits Conversor de PDF para XML para Windows converte uma pasta inteira de relatórios em PDF para XML. Você obtém títulos e parágrafos como elementos próprios e tabelas estruturadas em linhas e células, tudo na ordem correta de leitura. Seus relatórios trimestrais utilizam sempre a mesma estrutura na hora de alimentar bancos de dados ou sistemas de busca.

Uma página de relatório de vendas, convertida. Abaixo está o início do XML gerado pelo nosso mecanismo para um relatório de teste de uma página com tabela delimitada por linhas. Omitimos o texto do parágrafo, as três últimas linhas da tabela e o parágrafo de encerramento para economizar espaço. Os nomes dos elementos, atributos e seus respectivos valores aparecem exatamente como foram gerados.

<?xml version="1.0" encoding="UTF-8"?>
<document source="report_with_table.pdf" pages="1" units="pt" origin="top-left">
  <page number="1" width="595.3" height="841.9">
    <heading level="1">Regional Summary</heading>
    <paragraph>Quarterly revenue grew across all three regions..</paragraph>
    <table rows="6" columns="4" source="lattice">
      <row header="1"><cell>Region</cell><cell>Licenses</cell><cell>Revenue</cell><cell>Share</cell></row>
      <row><cell>North</cell><cell>120</cell><cell>15,400.00</cell><cell>12%</cell></row>
      <row><cell>South</cell><cell>157</cell><cell>17,710.00</cell><cell>15%</cell></row>
      <!-- 3 more rows -->
    </table>
  </page>
</document>

Esquema XML, elemento por elemento

Todos os arquivos seguem o mesmo esquema documentado. Selecione uma aba para conferir quais elementos e atributos estão presentes e em quais situações aparecem.

document

Elemento raiz. Contém o nome do arquivo de origem, a contagem de páginas, units="pt" e origin="top-left".

page

Um para cada página do PDF, acompanhado de sua numeração. Todo o conteúdo identificado na respectiva página fica dentro dele.

heading

Indica o nível hierárquico de 1 a 6, calculado a partir da proporção entre o tamanho da fonte e o corpo do texto em todo o documento. Esses níveis mantêm a consistência de uma página para outra.

paragraph

Texto do corpo do documento. Com a opção desativada, cada parágrafo forma um único bloco contínuo de texto, sem as quebras de linha originais da página.

table

Informa a quantidade de linhas e colunas, além de um atributo source com três valores possíveis: tagged para grades extraídas das tags do PDF, lattice para tabelas delimitadas por linhas visíveis e stream para alinhamento de texto.

row

Um para cada linha da tabela. O seu leitor de dados pode obter os nomes das colunas a partir da linha de cabeçalho identificada com header="1".

cell

Texto da célula. Células mescladas preservam os atributos colspan ou rowspan, permitindo reconstruir a grade original.

x, y, w, h

Posição e dimensões em pontos. Aplicam-se a tabelas e células, bem como a títulos e parágrafos. O ponto zero corresponde ao canto superior esquerdo e o eixo y cresce para baixo, ao contrário do sistema de coordenadas nativo do PDF.

Com a opção ativada

fonts e fontspec

Listados uma única vez no início do documento. Cada fontspec possui id, family, size, a cor no formato #RRGGBB e os marcadores bold e italic quando aplicáveis. Os elementos fazem referência a ele por meio de font="id", evitando a repetição da cor em cada um deles.

Com a opção ativada

line e text

O texto de títulos e parágrafos é dividido em elementos aninhados line e text, cada um com sua própria caixa delimitadora. Linhas com leitura da direita para a esquerda recebem o atributo dir="rtl".

Com a opção ativada

width e height

Dimensões da página em pontos presentes em cada elemento page. Uma página A4 padrão geralmente apresenta as medidas 595.3 por 841.9.

scanned="1"

Aplicado quando a página não possui camada de texto, contendo apenas uma imagem. O seu leitor de dados pode direcionar essas páginas para uma verificação manual.

ocr="1" e confidence

Aplicado quando o texto da página foi obtido por reconhecimento óptico, acompanhado do respectivo índice em confidence. Páginas processadas por reconhecimento geram apenas parágrafos, sem a execução da detecção de tabelas.

Dados nos quais os seus scripts podem confiar.

Dados nos quais os seus scripts podem confiar

Com o Software Conversor de PDF para XML, obtém sempre a mesma estrutura de relatório, independentemente do departamento que o gerou.

  • O seu script de importação continua a funcionar mesmo quando o setor financeiro altera o modelo do relatório.
  • Os valores numéricos entram diretamente nas colunas da base de dados, sem necessidade de digitação manual.
  • Os motores de indexação conseguem atribuir maior relevância aos títulos das secções em relação ao restante conteúdo.

Um ficheiro XML para cada PDF do lote

Adicione ficheiros individuais ou uma pasta inteira de relatórios. O Software Conversor de PDF para XML gera um ficheiro XML para cada PDF, mantendo o nome do ficheiro de origem, e solicita confirmação apenas uma vez por lote antes de substituir ficheiros existentes. Remova previamente da lista os PDFs danificados ou protegidos por palavra-passe, já que qualquer um deles interrompe o processamento do lote nesse ficheiro.

Elementos pela ordem natural de leitura

Em esquemas de duas colunas, o texto da coluna esquerda é processado primeiro e o da direita em seguida. Linhas em hebraico ou árabe preservam a sua orientação da direita para a esquerda.

O texto corrido permanece como texto corrido

Espaçamentos largos no texto costumam induzir em erro os algoritmos de deteção de tabelas. O software descarta esses falsos candidatos presentes no meio da mancha de texto. No nosso ficheiro de teste com duas colunas, 9 falsas tabelas foram ignoradas e a prosa manteve-se exatamente como redigida.

Uma aplicação desktop para Windows

O programa é instalado no Windows com a biblioteca PDFium integrada e um módulo próprio de escrita em XML. Nada é adicionado ao seu projeto. Os lotes são iniciados manualmente: não existem APIs, SDKs ou comandos de terminal para processar PDFs, pelo que uma tarefa de servidor não o pode chamar como serviço.

Uma exportação visual do layout ou dados estruturados para consulta

Os métodos habituais

Exportação por editores de PDF e plataformas online

  • A exportação para XML feita por um editor de PDF reflete a disposição visual da página em vez da estrutura dos dados
  • As tabelas surgem como fragmentos de texto soltos, desprovidos de grelha estrutural
  • Os conversores online raramente explicam como o conteúdo do PDF é mapeado nos elementos XML
VS
Este programa

Um único esquema, documentado à partida

  • O mesmo esquema documentado aplica-se a todos os ficheiros, tal como apresentado nesta página
  • Processamento local no PC, sem envio de relatórios para a internet

Como descarregar e utilizar o Software Conversor de PDF para XML

Instalar o programa e carregar os relatórios.
1

Instalar o programa e carregar os relatórios

Concluída a instalação, arraste os ficheiros PDF ou uma pasta diretamente para a lista.

Definir coordenadas e tipos de letra.
2

Definir coordenadas e tipos de letra

"XML Estruturado" é o único formato de saída disponível. Selecione a opção "Adicionar coordenadas e tipos de letra (posição, tamanho e tipo de letra de cada elemento)" para incluir a localização dos blocos; deixe-a desmarcada para gerar um ficheiro mais leve, contendo apenas texto.

Execute a conversão.
3

Execute a conversão

Clique em Converter. A mensagem de conclusão indica o número de ficheiros convertidos para XML e a pasta de destino correspondente. O botão Parar interrompe o processo entre a conclusão de um ficheiro e o início do próximo.

Direcione o seu analisador para o arquivo de saída.
4

Direcione o seu analisador para o arquivo de saída

Todos os arquivos XML são gerados em UTF-8 sem marca de ordem de bytes (BOM). Você pode processá-los com XSLT, com o módulo ElementTree do Python ou pelo mecanismo de importação em lote do seu banco de dados.

PDF to XML Converter Software
PDF to XML Converter SoftwareProcesse uma pasta com os seus próprios relatórios no Software Conversor de PDF para XML e abra o primeiro XML no seu editor de código.

Quem utiliza uma Ferramenta Conversora de PDF para XML?

Engenheiros de dados
Desenvolvedores de ETL
Integradores de sistemas
Analistas de BI
Desenvolvedores de mecanismos de busca e indexação
Analistas de QA em fluxos de processamento de documentos
Desenvolvedores de automação de compras
Analistas de acessibilidade e layout

Limites da versão de avaliação para cada PDF

SaídaAvaliaçãoLicença
Arquivos PDF processados por loteSem limiteSem limite
Linhas gravadas em cada arquivo XMLPrimeiras 10 (cada uma correspondendo a uma linha de texto ou linha de tabela)O documento completo
Linha de cabeçalho da tabelaMantida no arquivo, sem contar no limite de 10 linhas✓
Páginas além do ponto de corte✗✓
Arquivo XML válido para processamento por analisadores✓✓
Nos arquivos gerados pela versão de avaliação, o atributo pages do elemento document contabiliza apenas as páginas que foram efetivamente incluídas.
  Baixar 
  Comprar agora
De R$ 159
  Comprar agora
De R$ 159
  Baixar 

Nos arquivos gerados pela versão de avaliação, o atributo pages do elemento document contabiliza apenas as páginas que foram efetivamente incluídas.

PDF to XML Converter Software
PDF to XML Converter Software
Preço
de R$ 159
Versão
3.3
Tamanho do Arquivo
9 Mb
Última atualização em
18/09/26
O limite da versão de avaliação é de 10 linhas por PDF no arquivo XML gerado
System Requirements
  • Windows 11/10/8.1/8/7 (32/64 bits)
  • Intel i3, AMD Ryzen 5 or above
  • 4 GB of RAM or above
  • NVIDIA® GeForce® série 8 e 8M, Intel® HD Graphics 2000, Quadro FX 4800, Quadro FX 5600, AMD Radeon™ R600, Mobility Radeon™ HD 4330, Mobility FirePro™ series, Radeon™ R5 M230 ou placa gráfica superior com drivers atualizados
  • Resolução de tela de 1280 × 768, cor de 32 bits
  • 1 GB of free hard disk space or above

Perguntas Frequentes

Adicione um arquivo PDF ou uma pasta inteira à lista, mantenha a opção XML Estruturado como formato de saída, defina se deseja incluir coordenadas e fontes e clique em Converter. Cada arquivo XML recebe o mesmo nome do PDF de origem e traz um elemento raiz document contendo um elemento page por página.

O formato PDF registra apenas o posicionamento visual dos elementos na página. Na maioria das vezes, a ordem de leitura, as grades das tabelas e a distinção entre títulos e corpo de texto não existem como dados estruturados. O XML, por sua vez, organiza as informações em texto simples por meio de elementos hierárquicos e identificados, prontos para leitura por outros programas. O software reconstrói essa estrutura agrupando linhas em parágrafos, identificando cabeçalhos pelo tamanho da fonte e detectando as células de tabelas. Arquivos PDF estruturados com tags já contêm parte dessa organização; o programa aproveita essas tags de tabela sempre que estiverem presentes.

A versão de avaliação gratuita do nosso conversor de PDF para XML processa todos os PDFs adicionados, mas grava apenas as 10 primeiras linhas de cada documento. Esse arquivo reduzido permanece um XML perfeitamente válido, permitindo inspecionar a árvore de elementos dos seus relatórios e validar o funcionamento do seu analisador. Ferramentas online exigem o envio de documentos para servidores externos e raramente documentam a estrutura do XML que entregam. A compra de uma licença remove qualquer restrição de linhas.

Basta adicionar o PDF para que o programa salve um arquivo XML com o mesmo nome. O resultado é semelhante ao exemplo exibido no início desta página. A raiz do documento contém um elemento de página para cada página e, dentro de cada uma, os títulos, parágrafos e tabelas seguem a ordem de leitura. As abas do esquema listam cada elemento e atributo. Ao comparar ferramentas em busca do melhor conversor de PDF para XML para um pipeline de dados, solicite uma amostra de saída como esta antes de qualquer outra decisão.

Sim. É possível mapear o XML em tabelas usando um utilitário de carga em massa ou um script XSLT simples. As linhas das tabelas viram registros, a linha de cabeçalho fornece os nomes das colunas e os títulos podem servir como rótulos de seção. O mapeamento de campos como números de notas fiscais e datas de vencimento deve ser feito manualmente, pois o programa não os reconhece de forma semântica.

As células mescladas mantêm os atributos colspan ou rowspan, e a linha de cabeçalho é identificada para que você possa reconstruir a estrutura da tabela. Uma tabela que se estende por várias páginas é convertida em tabelas separadas dentro do elemento de cada página correspondente. A linha de cabeçalho destacada só aparece onde o próprio PDF repetir o cabeçalho. Em páginas digitalizadas, o programa gera parágrafos, não tabelas.

Não. O programa adota exclusivamente o esquema exibido nas abas acima, sem modelos prontos ou mapeamento de campos. Caso um site ou software de contabilidade exija uma estrutura XML própria, converta a saída com XSLT ou utilize uma ferramenta feita para esse formato. Formulários em XML para serviços governamentais normalmente são gerados pelo software emissor do próprio formulário, não a partir de um PDF.

Avaliar PDF to XML Converter Software

  • Windows 7
  • Windows 8
  • Windows 10
  • Windows 11
Autor: SoftOrbits (English)
4,5
Média de avaliação: 4,5 de 1140 votos
Bom

Risk-free download

progressive-webapps/apis/offline-first Created with Sketch.
100% offline
Your files never leave your PC
Safe & secure download
Directly from the official website
No sign-up required
No account or email to get started
Trusted since 2006
Desktop software for Windows