将PDF转换为XML，然后再次转换为PDF
我最近问了一个问题，关于把一个PDF文件变成一个XML文件，然后把它返回到一个PDF文件，最好是和原始文件完全一样，但至少差不多 我一直在尝试不同的方法，到目前为止，我想出了这个方法将PDF转换为XML，然后再次转换为PDF,xml,pdf,Xml,Pdf,我最近问了一个问题，关于把一个PDF文件变成一个XML文件，然后把它返回到一个PDF文件，最好是和原始文件完全一样，但至少差不多 我一直在尝试不同的方法，到目前为止，我想出了这个方法 用LibreOffice编写的文档将另存为DocBook XML。假设它名为“file.xml” 该文件由文件“DocBook.XSL”启动的DocBook项目中的一组XSL模板解析 这可以通过运行xsltproc-o intermediate-fo-file.fo/usr/share/xml/docbook/st
但是，如果一开始我有一个PDF文件，怎么能做同样的事情呢？有什么建议吗？从PDF无损转换为XML的唯一机会是使用与PDF具有相同文档视图的目标XML词汇表。由于PDF的文档视图主要（如果不是完全）关注于表示，而像Docbook这样的XML词汇表的设计通常的动机是捕获更高级别的抽象，因此您面临两个困难：（1）面向表示的XML词汇表不是很厚；（2）如果您想从PDF转换为更为传统的XML词汇表（直接或通过面向表示的XML），您将面临更大的挑战，试图根据目标词汇表的更高层次抽象来解释文档的表示。这将是非常困难的，最多，自动化这样一个过程
如果这是一种思维实验，并且你正在考虑PDF-XML-PDF往返，看看它何时以及如何可能，那么你现在知道了一些人会给出的理由，认为它在任何一般形式下都是不可能的。如果出于某种实际原因需要此PDF-to-PDF数据流，您可能需要考虑是否可以通过其他方式实现您的实际目标。如果您的文档以任何方式类似于全文文章（例如），可能会有所帮助 它将PDF文章转换为XML，其结构类似于Docbook文档。它还试图保留有关提取元素的一些定位信息，因为它们在原始PDF中找到（例如页码和列号），这可以帮助您从PDFX XML转换为您已经制作PDF的Docbook XML 输入/输出示例： 用法：
您也可以考虑XSL FO的TEX替代方案。我有一个旧的XSL将类似PDFX的XML转换为.texml，然后
texml.tex（披露：我写了PDFX。）谢谢你的回答。渐渐地，我了解了完成这项任务的困难，但考虑到与PDF中显示的相同信息相比，XML所需的空间很小，因此它仍能带来巨大的好处。在某些情况下，在大型长期存档系统中，它的容量是10倍-XML=10kb PDF=1Mb，我们可以处理数以百万计的文档，如果文件可以存储在XML中，它将产生影响，但是以PDF格式呈现-考虑到公司和当局最初以PDF格式生成大量文档的常见情况。@Paul如果您的PDF文档很简单，我相信您可以按照最初的要求执行。还有，你看过PDF/a（PDF存档）吗？嗨，吉米！PDF/A-1和PDF/A-2是非常适合长期存档的格式，但与XML相比，它们相当庞大。@PaulBergström:您将什么XML格式与PDF进行比较？DocBook？在这种情况下，Xml格式是PDF的适当但节省空间的表示形式的假设仅限于从DocBOok Xml生成的PDF；它不一定适用于任何公司或机构生产的任何其他PDF。为什么不告诉我们您使用的API？我们是这里的开发者。到2015年12月，Link不再响应。@StephaneRolland我很感激它已经过时了，但是--PDFX只使用PDF库获取页面、文字和图像，并通过统计、依赖规则和排版计算出逻辑结构。PDFX主页上引用了该机制的简短说明：