PDF→XML変換

PDFからXMLへ変換すると何が得られるか

PDFファイルを読み込み、変換に成功したファイルごとにXMLファイルを作成します。XMLは、要素や属性をタグで表し、入れ子の階層として情報を記述する形式です。PDFから取り出せる文字を、プログラムで確認・整理するための中間データにしたいときに使えます。元のファイル名を引き継いだXMLを出力するため、変換前後のファイルを対応づけて管理できます。

PDFはページの見た目を保つ形式、XMLはデータの構造を表す形式です。そのため変換後のXMLは、PDFの紙面をそのまま再現するものではありません。また、請求書番号や金額などの意味を自動で判定し、業務システム向けの項目名に割り当てる機能とも異なります。

XMLとして読めることと、業務データとして使えること

XMLの確認では、まずタグが正しく入れ子になり、文書にルート要素が一つあるかを確かめます。これは「整形式」の確認です。一方、特定システムが定める要素名、必須項目、データ型、名前空間などに合うかは、別のスキーマ検証で確認します。XMLパーサーで開けても、目的のシステムにそのまま取り込めるとは限りません。

出力には常に同じ名前のタグや表構造が含まれるとは限りません。実際のXMLを開いて要素名、値、並び順を確かめてから、XPathや変換ルールを作成してください。PDF内の文字を抽出できても、列と行の関係や見出しとの対応が期待どおりに再現される保証はありません。

PDFの内部構造が抽出結果に影響する

PDFは見た目を重視して作られることがあり、画面上の配置だけでは文章の意味や読む順序が記録されていない場合があります。タグ付きPDFには見出し、段落、表などの意味構造や読み順が含まれることがありますが、すべてのPDFにその情報があるわけではありません。複数段組、テキストボックス、ページをまたぐ表、特殊な文字フォントでは、文字の順序が入れ替わったり一部が欠けたりすることがあります。

ファイルを選んで変換する

1. PDF内の文字を確認する

   PDFビューアーで本文を選択し、コピーできるか試します。文字として選択できるファイルは、画像だけのスキャンより直接変換に向いています。ページの一部だけがスキャン画像になっている文書もあるため、数ページを確認してください。

2. 変換するPDFを選ぶ

   PDFを選択して処理を開始します。複数ファイルを選んだ場合は、各PDFを個別に変換します。1回に選べるのは最大5ファイルで、ファイルごとの基本サイズ上限は2.5 MBです。利用回数の残りが選択数より少ない場合は、画面に表示される処理対象を確認してください。

3. XMLを保存する

   完了したファイルの結果一覧から、それぞれのXMLをダウンロードします。複数ファイルでは、成功したファイルと失敗したファイルを結果一覧で確認し、必要なものを個別に保存してください。

出力ファイルを下流処理に渡す前に

• XML対応のエディターまたはパーサーで開き、タグの対応、文字化け、空の要素を確認します。
• 元のPDFと照合し、冒頭・途中・末尾の文字や、複数段組の読み順、表の行列関係を確認します。
• 実際に含まれている要素名と属性を一覧にしてから、項目抽出やプログラム側のマッピングを設計します。
• 取り込み先がXSD、DTD、名前空間などを指定している場合は、その仕様に沿って別途検証します。

スキャン画像や複雑なレイアウトの限界

この変換にはOCR機能がありません。スキャン画像だけで、検索・選択できる文字データを含まないPDFは、本文がXMLに取り出されないことがあります。先にOCRを行った場合も、誤認識された文字がないか元画像と照合してください。

• 複数段組、表、ページヘッダーやフッター、特殊フォントでは、文字の欠落、分割、並び順の変化が起こる可能性があります。
• 紙面上で表に見える領域が、XMLで表の行やセルとして再現されるとは限りません。
• パスワード保護、破損、アクセス制限のあるPDFでは処理できない場合があります。アクセス権限の制限を回避せず、ファイルの管理者に確認してください。
• 出力のXMLはページの外観を保存する形式ではありません。原本PDFを照合用に保管してください。

アップロードと機密文書の取り扱い

変換ではPDFをアップロードして処理します。ファイルの保存期間や削除時期は確認できていないため、保存・削除のタイミングを前提にした利用は避けてください。契約書、個人情報、医療情報、財務資料、未公開資料などを扱う場合は、所属組織の規則とアップロード権限を事前に確認し、許可されたファイルだけを使用してください。

出力の生成だけでは、内容の完全性や業務上の正しさは確認できません。自動取り込みを行う前に、XMLの構文と取り込み先の仕様を検証し、金額、日付、番号、表の対応関係などを原本と照合してください。