Convertir PDF a XML

Un sistema de gestión documental, un flujo de trabajo de publicación o una aplicación empresarial puede requerir XML en lugar de un PDF de diseño fijo para la importación. La conversión extrae su contenido en etiquetas que el software puede buscar, transformar o almacenar por separado de la apariencia de la página.

Qué es PDF

PDF es un formato de descripción de páginas estandarizado como ISO 32000. Conserva fuentes, gráficos, imágenes, anotaciones y geometría de página para que los documentos se visualicen e impriman de forma coherente en distintos sistemas. Empresas, editoriales, organismos gubernamentales y particulares utilizan PDF para formularios, informes, facturas, manuales, contratos y copias de archivo.

Un PDF puede contener texto seleccionable, imágenes escaneadas de páginas, gráficos vectoriales, fuentes incrustadas, tablas, metadatos y campos interactivos. Su diseño visual no garantiza que el archivo contenga un orden lógico de lectura o etiquetas semánticas.

Qué es XML

XML es un formato de marcado basado en texto que representa datos en elementos y atributos anidados, por ejemplo <invoice><total>125.00</total></invoice>. XML no define una estructura de documento universal: la aplicación receptora, el estándar del sector o la organización debe especificar los nombres de los elementos, la jerarquía, los tipos de datos y los atributos obligatorios mediante un esquema o documentación.

A diferencia de PDF, XML separa el contenido y las relaciones entre datos de la apariencia de la página. Las aplicaciones pueden analizarlo, validarlo, consultarlo, transformarlo con XSLT e importarlo en bases de datos o sistemas de publicación. XML no es automáticamente más pequeño que PDF, y la conversión a XML no conserva la apariencia de la página a menos que se incluyan coordenadas, estilos o elementos específicos del diseño.

Convertir un PDF de texto con Acrobat

1. Abra el archivo en Adobe Acrobat Pro; Acrobat Reader no proporciona las mismas funciones de exportación.
2. Si el texto no se puede seleccionar, ejecute All tools → Scan & OCR → Recognize Text, elija el idioma del documento y revise el texto reconocido.
3. Elija File → Export To → More Options → XML 1.0, si ese formato está disponible en la versión instalada de Acrobat.
4. Guarde el resultado y revíselo en un editor XML o de texto. Compruebe que la estructura de elementos exportada coincida con el esquema requerido por el sistema receptor.

La exportación XML de Acrobat es una extracción, no una garantía de un formato específico del ámbito, como un esquema de facturas, publicaciones o documentos legales. Los nombres de los menús y la disponibilidad de XML varían según la versión y la licencia de Acrobat.

Convertir con una herramienta por lotes o de línea de comandos

Para PDF basados en texto y trabajos automatizados, la utilidad pdftohtml de Poppler puede producir XML:

pdftohtml -xml input.pdf output.xml

Este resultado normalmente describe las posiciones del texto, las fuentes y las páginas. Es útil para el procesamiento teniendo en cuenta el diseño, pero generalmente no identifica una tabla dibujada visualmente como una tabla XML semántica ni crea el esquema esperado por una aplicación empresarial. Los PDF escaneados requieren OCR antes o durante la extracción; los errores de OCR deben revisarse.

Para conversiones recurrentes, defina primero el esquema XML de destino, asigne los campos del PDF a ese esquema y valide cada resultado con un analizador XML o un validador de esquemas. Puede ser necesario un script de extracción personalizado cuando el PDF utiliza columnas irregulares, encabezados repetidos, direcciones de lectura mixtas o formularios complejos.

Usar un conversor en línea

Los servicios en línea como PDF.co y Zamzar ofrecen conversión de PDF a XML u opciones de extracción relacionadas; seleccione el PDF de entrada, elija XML cuando esté disponible, cargue el archivo, conviértalo y descargue el resultado. Confirme el tipo de resultado y los límites actuales del servicio antes de depender de él, ya que algunos servicios producen XML orientado al diseño en lugar de un esquema específico del ámbito empresarial.

No cargue contratos confidenciales, registros personales, credenciales ni datos regulados a menos que las condiciones de conservación, cifrado, ubicación del procesamiento y eliminación del proveedor cumplan sus requisitos. Para archivos confidenciales o de gran volumen, utilice Acrobat o una herramienta de extracción instalada localmente.

Limitaciones de calidad y compatibilidad

• Los escaneos necesitan OCR: un PDF que solo contiene imágenes no tiene una capa de texto que exportar. El reconocimiento puede confundir caracteres, perder signos de puntuación e interpretar incorrectamente columnas o escritura manuscrita.
• El diseño es ambiguo: PDF almacena dónde aparecen los objetos en una página, no necesariamente su orden lógico. El texto en varias columnas, las notas al pie, los encabezados y las barras laterales pueden exportarse en una secuencia incorrecta.
• Las tablas necesitan verificación: las líneas y el texto alineado no siempre codifican filas y columnas. Compruebe los totales, las celdas combinadas, los separadores decimales y los encabezados repetidos.
• El formato puede desaparecer: los saltos de página, las fuentes, el espaciado exacto, las anotaciones, los formularios, las firmas y el estilo visual normalmente no están representados por un XML de contenido ordinario.
• La validación es independiente de la conversión: un XML bien formado aún puede contener valores incorrectos o infringir el esquema del sistema receptor. Valide tanto la sintaxis como las reglas empresariales antes de la importación.