如何把 PDF 的文字导出为 XML
有些系统要的是 XML 格式的文字,而不是 PDF。本指南先检查文件,让扫描页可以读取,再把文字导出为每页一个元素的 XML。
XML 导出读取的是文字层。没有文字层的扫描页会导出为空,所以第一步的检查很重要。
操作步骤
检查 PDF
打开质量报告,选择 PDF。报告会显示是否可搜索,以及页数、大小、图片和字体。
判断是否需要 OCR
如果报告显示不可搜索,说明是扫描件。短的扫描件可以在下一步处理;已有文字就可以跳过。
识别文字
打开 OCR 工具,选择扫描件并选择语言。最多处理 10 页,会生成可以选中文字的 PDF。
导出为 XML
打开 PDF 转 XML 工具,选择可搜索的 PDF,完成简单验证后下载 XML 文件。没有需要设置的选项。
查看文件内容
用文本编辑器打开 XML。每页是一个含有文字的元素,文件里还包含文档的基本信息。
本指南用到的工具
关于此任务的问题
- XML 中包含什么?
- 包含按页面顺序排列的所有页面文字,以及文档的基本信息。不包含版式、图片和字体。
- 这和读取电子发票一样吗?
- 不一样。有些发票内部带有自己的 XML 文件。本指南导出的是任何 PDF 中可见的文字。
- 质量报告需要上传文件吗?
- 不需要。报告在浏览器中运行。OCR 和 XML 导出在服务器上进行,发送结果后文件即被删除。