Como exportar o texto de um PDF como XML
Alguns sistemas recebem texto em XML, e não em PDF. Este guia verifica o arquivo, torna legíveis as páginas digitalizadas e exporta um elemento XML por página.
A exportação em XML lê a camada de texto. Uma página digitalizada sem essa camada sai vazia, por isso a verificação da primeira etapa é importante.
Passo a passo
Verifique o PDF
Abra o relatório de qualidade e escolha o PDF. Ele mostra se o arquivo é pesquisável, além de páginas, tamanho, imagens e fontes.
Decida se precisa de OCR
Se o relatório disser que o arquivo não é pesquisável, ele é uma digitalização. Digitalizações curtas se resolvem na próxima etapa; arquivos com texto podem pulá-la.
Reconheça o texto
Abra a ferramenta de OCR, escolha a digitalização e o idioma. São processadas até 10 páginas, e o resultado é um PDF com texto selecionável.
Exporte para XML
Abra a ferramenta PDF para XML, escolha o PDF pesquisável, faça a verificação rápida e baixe o arquivo XML. Não há opções para ajustar.
Olhe dentro do arquivo
Abra o XML em um editor de texto. Cada página é um elemento com o seu texto, acompanhado de dados básicos do documento.
Ferramentas usadas neste guia
Dúvidas sobre esta tarefa
- O que o XML contém?
- O texto de todas as páginas, página por página, com dados básicos do documento. Layout, imagens e fontes não entram.
- É o mesmo que ler uma nota fiscal eletrônica?
- Não. Algumas notas trazem o próprio XML dentro do PDF. Este guia exporta o texto visível de qualquer PDF.
- O relatório de qualidade envia o arquivo?
- Não. O relatório roda no navegador. O OCR e a exportação em XML rodam no servidor, e o arquivo é apagado depois que o resultado sai.