Convertir PDF en XML

Un système de gestion de documents, un workflow de publication ou une application métier peut nécessiter XML au lieu d’un PDF à mise en page fixe pour l’importation. La conversion extrait son contenu dans des balises que les logiciels peuvent rechercher, transformer ou stocker séparément de l’apparence des pages.

Ce qu’est PDF

PDF est un format de description de page normalisé par ISO 32000. Il conserve les polices, les graphiques, les images, les annotations et la géométrie des pages afin que les documents s’affichent et s’impriment de manière cohérente sur différents systèmes. Les entreprises, les éditeurs, les organismes publics et les particuliers utilisent PDF pour les formulaires, les rapports, les factures, les manuels, les contrats et les copies d’archivage.

Un PDF peut contenir du texte sélectionnable, des images numérisées de pages, des graphiques vectoriels, des polices incorporées, des tableaux, des métadonnées et des champs interactifs. Sa mise en page visuelle ne garantit pas que le fichier contient un ordre de lecture logique ou des balises sémantiques.

Ce qu’est XML

XML est un format de balisage textuel qui représente les données dans des éléments et des attributs imbriqués, par exemple <invoice><total>125.00</total></invoice>. XML ne définit pas de structure universelle de document : l’application destinataire, la norme du secteur ou l’organisation doit spécifier les noms des éléments, la hiérarchie, les types de données et les attributs obligatoires au moyen d’un schéma ou d’une documentation.

Contrairement à PDF, XML sépare le contenu et les relations entre les données de l’apparence des pages. Les applications peuvent l’analyser, le valider, l’interroger, le transformer avec XSLT et l’importer dans des bases de données ou des systèmes de publication. XML n’est pas automatiquement plus petit que PDF, et la conversion vers XML ne conserve pas l’apparence des pages, sauf si des coordonnées, des styles ou des éléments propres à la mise en page sont inclus.

Convertir un PDF contenant du texte avec Acrobat

1. Ouvrez le fichier dans Adobe Acrobat Pro ; Acrobat Reader ne fournit pas les mêmes fonctions d’exportation.
2. Si le texte n’est pas sélectionnable, exécutez All tools → Scan & OCR → Recognize Text, choisissez la langue du document et vérifiez le texte reconnu.
3. Choisissez File → Export To → More Options → XML 1.0, si ce format est disponible dans la version d’Acrobat installée.
4. Enregistrez le résultat et examinez-le dans un éditeur XML ou un éditeur de texte. Vérifiez que la structure des éléments exportés correspond au schéma requis par le système destinataire.

L’exportation XML d’Acrobat est une extraction et ne garantit pas un format propre à un domaine, tel qu’un schéma de facture, de publication ou de document juridique. Les noms des menus et la disponibilité de XML varient selon la version et la licence d’Acrobat.

Convertir avec un outil de traitement par lots ou en ligne de commande

Pour les PDF textuels et les tâches automatisées, l’utilitaire pdftohtml de Poppler peut produire du XML :

pdftohtml -xml input.pdf output.xml

Ce résultat décrit généralement les positions du texte, les polices et les pages. Il est utile pour le traitement tenant compte de la mise en page, mais n’identifie généralement pas un tableau dessiné visuellement comme un tableau XML sémantique et ne crée pas le schéma attendu par une application métier. Les PDF numérisés nécessitent une OCR avant ou pendant l’extraction ; les erreurs d’OCR doivent être vérifiées.

Pour les conversions récurrentes, définissez d’abord le schéma XML cible, associez les champs du PDF à ce schéma et validez chaque résultat avec un analyseur XML ou un validateur de schéma. Un script d’extraction personnalisé peut être nécessaire lorsque le PDF utilise des colonnes irrégulières, des en-têtes répétés, des directions de lecture mixtes ou des formulaires complexes.

Utiliser un convertisseur en ligne

Les services en ligne tels que PDF.co et Zamzar proposent la conversion de PDF vers XML ou des options d’extraction associées ; sélectionnez le PDF en entrée, choisissez XML lorsqu’il est disponible, téléversez le fichier, convertissez-le et téléchargez le résultat. Vérifiez le type de sortie et les limites actuels du service avant de vous y fier, car certains services produisent un XML axé sur la mise en page plutôt qu’un schéma propre à une activité.

Ne téléversez pas de contrats confidentiels, de dossiers personnels, d’identifiants ou de données réglementées, sauf si les conditions de conservation, de chiffrement, de lieu de traitement et de suppression du fournisseur répondent à vos exigences. Pour les fichiers sensibles ou volumineux, utilisez plutôt Acrobat ou un outil d’extraction installé localement.

Limites de qualité et de compatibilité

• Les documents numérisés nécessitent une OCR : un PDF composé uniquement d’images ne possède aucune couche de texte à exporter. La reconnaissance peut confondre des caractères, perdre la ponctuation et mal interpréter les colonnes ou l’écriture manuscrite.
• La mise en page est ambiguë : PDF stocke l’emplacement des objets sur une page, mais pas nécessairement leur ordre logique. Le texte sur plusieurs colonnes, les notes de bas de page, les en-têtes et les encadrés peuvent être exportés dans le mauvais ordre.
• Les tableaux doivent être vérifiés : les lignes et le texte aligné n’encodent pas toujours les lignes et les colonnes. Vérifiez les totaux, les cellules fusionnées, les séparateurs décimaux et les en-têtes répétés.
• La mise en forme peut disparaître : les sauts de page, les polices, l’espacement exact, les annotations, les formulaires, les signatures et le style visuel ne sont généralement pas représentés par un XML de contenu ordinaire.
• La validation est distincte de la conversion : un XML bien formé peut tout de même contenir des valeurs incorrectes ou enfreindre le schéma du système destinataire. Validez la syntaxe et les règles métier avant l’importation.