Converti PDF in XML

Un sistema di gestione dei documenti, un flusso di lavoro editoriale o un'applicazione aziendale può richiedere XML invece di un PDF a layout fisso per l'importazione. La conversione estrae il contenuto del file in tag che il software può cercare, trasformare o archiviare separatamente dall'aspetto delle pagine.

Che cos'è PDF

PDF è un formato di descrizione delle pagine standardizzato come ISO 32000. Conserva font, grafica, immagini, annotazioni e geometria delle pagine, in modo che i documenti vengano visualizzati e stampati in modo coerente su sistemi diversi. Aziende, editori, enti pubblici e privati usano PDF per moduli, rapporti, fatture, manuali, contratti e copie d'archivio.

Un PDF può contenere testo selezionabile, immagini scansionate delle pagine, grafica vettoriale, font incorporati, tabelle, metadati, campi interattivi. Il layout visivo non garantisce che il file contenga un ordine di lettura logico o tag semantici.

Che cos'è XML

XML è un formato di markup basato su testo che rappresenta i dati in elementi e attributi annidati, ad esempio <invoice><total>125.00</total></invoice>. XML non definisce una struttura universale dei documenti: l'applicazione ricevente, lo standard di settore o l'organizzazione devono specificare i nomi degli elementi, la gerarchia, i tipi di dati e gli attributi obbligatori tramite uno schema o una documentazione.

A differenza di PDF, XML separa il contenuto e le relazioni tra i dati dall'aspetto delle pagine. Le applicazioni possono analizzarlo, convalidarlo, interrogarlo, trasformarlo con XSLT e importarlo in database o sistemi editoriali. XML non è automaticamente più piccolo di PDF e la conversione in XML non conserva l'aspetto delle pagine, a meno che non vengano inclusi coordinate, stili o elementi specifici del layout.

Convertire un PDF contenente testo con Acrobat

1. Apri il file in Adobe Acrobat Pro; Acrobat Reader non offre le stesse funzioni di esportazione.
2. Se il testo non è selezionabile, esegui All tools → Scan & OCR → Recognize Text, scegli la lingua del documento e controlla il testo riconosciuto.
3. Scegli File → Export To → More Options → XML 1.0, se questo formato è disponibile nella versione di Acrobat installata.
4. Salva il risultato e controllalo in un editor XML o in un editor di testo. Verifica che la struttura degli elementi esportati corrisponda allo schema richiesto dal sistema ricevente.

L'esportazione XML di Acrobat è un'estrazione, non una garanzia di un formato specifico del dominio, come uno schema per fatture, pubblicazioni o documenti legali. I nomi dei menu e la disponibilità di XML variano in base alla versione e alla licenza di Acrobat.

Convertire con uno strumento batch o da riga di comando

Per PDF basati su testo e processi automatizzati, l'utility pdftohtml di Poppler può produrre XML:

pdftohtml -xml input.pdf output.xml

Questo output descrive normalmente le posizioni del testo, i font e le pagine. È utile per l'elaborazione basata sul layout, ma in genere non identifica una tabella disegnata visivamente come una tabella XML semantica e non crea lo schema previsto da un'applicazione aziendale. I PDF scansionati richiedono l'OCR prima o durante l'estrazione; gli errori dell'OCR devono essere verificati.

Per conversioni ricorrenti, definisci prima lo schema XML di destinazione, associa i campi del PDF a tale schema e convalida ogni risultato con un parser XML o un validatore di schema. Potrebbe essere necessario uno script di estrazione personalizzato quando il PDF utilizza colonne irregolari, intestazioni ripetute, direzioni di lettura miste o moduli complessi.

Utilizzare un convertitore online

Servizi online come PDF.co e Zamzar offrono la conversione da PDF a XML o opzioni di estrazione correlate; seleziona il PDF come input, scegli XML quando disponibile, carica il file, convertilo e scarica il risultato. Verifica il tipo di output e i limiti attuali del servizio prima di farvi affidamento, perché alcuni servizi producono XML orientato al layout anziché uno schema specifico per il settore.

Non caricare contratti riservati, documenti personali, credenziali o dati soggetti a normative, a meno che i termini del provider relativi a conservazione, crittografia, posizione dell'elaborazione e cancellazione soddisfino i tuoi requisiti. Per file sensibili o numerosi, utilizza Acrobat o uno strumento di estrazione installato localmente.

Limiti di qualità e compatibilità

• Le scansioni richiedono l'OCR: un PDF costituito solo da immagini non dispone di un livello di testo da esportare. Il riconoscimento può confondere i caratteri, perdere la punteggiatura e interpretare erroneamente colonne o grafia.
• Il layout è ambiguo: PDF memorizza la posizione degli oggetti su una pagina, non necessariamente il loro ordine logico. Il testo su più colonne, le note a piè di pagina, le intestazioni e i riquadri laterali possono essere esportati nella sequenza sbagliata.
• Le tabelle richiedono una verifica: linee e testo allineato non codificano sempre righe e colonne. Controlla totali, celle unite, separatori decimali e intestazioni ripetute.
• La formattazione può scomparire: interruzioni di pagina, font, spaziatura esatta, annotazioni, moduli, firme e stile visivo non sono normalmente rappresentati dal comune XML dei contenuti.
• La convalida è separata dalla conversione: un XML ben formato può comunque contenere valori errati o violare lo schema del sistema ricevente. Convalida sia la sintassi sia le regole aziendali prima dell'importazione.