把PDF转成XML，最常见的出发点是希望获得一份结构化、可检索、可被程序解析的数据副本。无论是电子发票归档、论文元数据抽取，还是合同内容入库，XML的自描述标签都比PDF页面更适合系统间交换。但PDF本质上是一种页面描述语言，它记录的是字符坐标、字体信息和绘图指令，而不是层级结构。因此转换过程不能靠另存为完成，需要借助布局分析、文本提取和结构重建。下面从原理、工具和代码实践三个角度展开。
一、PDF转XML为什么不是简单另存为
PDF文件内部并不保存段落、标题或表格这种语义信息。它把每一页上的文字、线条、图片都作为独立的绘图对象记录下来。例如一个标题在PDF中可能只是“某几个字符在页面坐标(100,200)处以某字体显示”。当你直接复制PDF里的文本时，得到的顺序经常是错乱的，因为复制操作只能按照对象在内容流中的出现顺序提取，而不是按照视觉阅读顺序。
XML则完全不同。它要求内容被包裹在带有明确含义的标签中，例如<invoice>、<line>、<amount>。这就需要转换工具先分析页面上的文字分布，把靠近的文字合并成行，把行组合成段落，把具有网格结构的区域识别为表格，最后再按照预设规则映射成XML节点。因此，PDF转XML是一个“逆向工程”过程，而不是简单的格式封装。
还有一个容易忽视的问题是字符编码映射。有些PDF在生成时并没有嵌入完整的Unicode映射表，文本提取时可能得到乱码或不可见的符号。这种情况下即使工具先进，还原出来的XML也毫无价值。所以在选择转换方案时，先确认PDF本身是可提取文本的，还是纯扫描图片，这两类处理路径完全不同。
二、常见的PDF转XML工具与适用场景
桌面工具适合偶尔处理少量文件。Adobe Acrobat Pro可以把PDF导出为多种格式，其中XML导出功能对简单排版的文档效果不错，但对双栏论文、复杂表格容易丢失结构。此外，Nitro PDF、Foxit PhantomPDF也提供类似导出能力。这类工具的优势是操作直观，缺点是批量处理能力弱，而且导出的XML往往带有大量冗余命名空间和样式信息，需要二次清洗。
在线转换平台如Smallpdf、ILovePDF和Zamzar提供免费的PDF转XML入口。它们适合临时应急，不需要安装软件。但要注意隐私问题，涉及合同、发票、身份证件等敏感文件时，不建议上传到第三方服务器。在线服务对文件大小、页数也有限制，转换质量不稳定，尤其是遇到多栏排版或含表格的PDF时，结果可能只有一堆松散的文字节点。
命令行工具则更适合批量作业。Poppler工具集中的pdftohtml支持输出XML格式，它能把PDF页面转换成XML文档，并保留文本位置信息。对于开发环境或服务器端自动化流程，命令行方式速度快、可脚本化。缺点是安装和参数配置有一定门槛，输出XML的结构相对简单，难以直接满足业务系统的字段级要求。
开发库是最灵活的方式。Python生态中的pdfplumber、PyMuPDF、pdfminer.six都能提取文本、表格和坐标信息，便于自定义XML生成逻辑。Java生态里的Apache PDFBox同样提供稳定的文本抽取和位置排序能力。如果需求是批量转换固定版式的PDF，比如发票、报关单、银行流水，用开发库定制转换模板通常比任何通用工具都可靠。
三、使用Python pdfplumber实现PDF转XML
Python的pdfplumber库对表格提取和坐标定位支持较好，适合把版式固定的PDF转成自定义XML。核心思路是遍历每一页，先提取文本或表格，再把内容写入<document>、<page>、<line>等节点。下面的示例演示了按行提取文本并生成一个简单的XML文件。
import pdfplumber
import xml.etree.ElementTree as ET
def pdf_to_xml(pdf_path, xml_path):
root = ET.Element("document")
with pdfplumber.open(pdf_path) as pdf:
for page_index, page in enumerate(pdf.pages, start=1):
page_el = ET.SubElement(root, "page", {"number": str(page_index)})
text = page.extract_text()
if text:
for line in text.splitlines():
line_el = ET.SubElement(page_el, "line")
line_el.text = line
tree = ET.ElementTree(root)
tree.write(xml_path, encoding="utf-8", xml_declaration=True)
pdf_to_xml("sample.pdf", "output.xml")
这段代码先把整个PDF表示为一个根节点<document>，每个页面作为其子节点<page>，页面中的每一行文本再作为<line>节点。这种方式保留了行级结构，但不会自动识别段落或表格。如果PDF是规则表格，可以改用page.extract_table()，遍历表格行列并生成自定义字段节点。
需要特别注意的是，文本提取结果会包含制表符、多余空格和换行。写入XML之前最好做一次清洗，去掉首尾空白、压缩连续空格。对于需要转义的字符，比如&、<、>，ElementTree在写入时会自动处理，手动拼接XML字符串时则必须实现转义函数，否则生成的XML可能无法解析。
四、使用Java PDFBox进行批量转换
如果现有系统以Java为主，Apache PDFBox是处理PDF的成熟选择。PDFBox提供的PDFTextStripper可以按坐标排序提取文本，减少阅读顺序混乱问题。下面的示例先提取PDF全部文本，后续可以自行包装XML节点。
import java.io.File;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
public class PdfTextExtractor {
public static void main(String[] args) throws Exception {
PDDocument document = PDDocument.load(new File("sample.pdf"));
PDFTextStripper stripper = new PDFTextStripper();
stripper.setSortByPosition(true);
String text = stripper.getText(document);
System.out.println(text);
document.close();
}
}
拿到原始文本后，Java程序通常会使用DOM、JDOM或JAXB生成XML。若使用字符串拼接，务必对文本中的特殊字符进行转义，否则包含<、&的内容会破坏XML结构。推荐使用XML序列化库处理，既能保证格式正确，也能统一控制编码。
PDFBox对文本坐标的支持不如pdfplumber直观，但可以通过扩展PDFTextStripper类，覆写writeString方法来获取每个字符的位置信息。这样就能按坐标区分左右栏、页眉页脚，甚至还原简单表格。批量转换时可以将PDFBox封装成命令行工具或消息队列消费者，实现自动化的PDF到XML流水线。
五、扫描版PDF的OCR转换方法
如果PDF是扫描件或图片型PDF，上面的文本提取会返回空字符串。此时必须引入OCR环节，先把页面渲染成图片，再识别文字和布局。常见方案是使用Tesseract OCR配合页面分割，或者直接调用百度、阿里云、腾讯云的文字识别服务。Tesseract支持输出hOCR格式，这是一种用XML描述OCR结果的规范，包含单词、行、段落和坐标信息，可以作为PDF转XML的中间产物。
处理流程通常是：用pdf2image或PyMuPDF把PDF每页渲染成300dpi以上的PNG图片；对图片做去噪、纠偏、二值化；再送入OCR引擎识别；最后根据hOCR或自定义结构生成目标XML。对于表格密集的扫描件，单纯OCR还不够，需要叠加表格识别模型来还原行列关系，否则XML里只会有零散的文字片段。
扫描版转换的质量高度依赖原稿清晰度和OCR模型。如果原PDF是传真件、低分辨率图片或带复杂背景的证件，识别错误率会明显上升。这时需要增加人工校验环节，或在XML中保留坐标信息以便后续定位修正。完全自动化的扫描PDF转XML目前仍是一项有挑战的任务。
六、转换质量与常见避坑建议
无论选择哪种工具，转换后的XML都应该进行结构校验。用浏览器或XML解析器打开文件，确认没有未闭合标签、非法字符和错乱嵌套。很多通用工具导出的XML会包含大量空节点，例如连续的<td/>或重复的<span>。这些节点如果不清理，会拖慢后续数据查询和处理速度。
多栏排版是PDF转XML的重灾区。如果页面分左右两栏，单纯按内容流顺序提取会把左右栏文字交错在一起。解决办法是先用坐标聚类识别栏边界，再分别提取。对于页眉、页脚、页码等重复内容，可以在提取后根据坐标范围排除，避免每个页面的XML都混入无关信息。
最后，如果PDF文件中包含大量矢量图、水印或艺术字，转换工具可能把它们当作文本节点处理，也可能完全忽略。遇到这种情况，建议先确认提取出的XML是否覆盖了目标数据，不要只看到文件生成成功就认为转换完成。对关键业务数据，最好抽样对照原始PDF逐页核对，保证XML中的字段值准确无误。