pdf转xml无标准方法，需先判别扫描件（需ocr）或原生文本（用pdfplumber等提取结构化信息），再依据目标xml schema设计转换逻辑，不可依赖通用工具硬转。
PDF 本身不是结构化格式，直接“转换为 XML”没有标准方法，结果高度依赖 PDF 内容类型和你的目标 XML 结构。盲目用通用工具硬转，大概率得到一堆 <page></page>、<text></text> 套嵌的无语义垃圾，后续根本没法当 XML 用。
PDF 是扫描件 or 可选中文本？先看本质区别
这是所有操作的前提——连文本都抽不出来，后面全是空谈：
- 如果是扫描 PDF（图片型），必须先 OCR；
pdf2image+tesseract是常见组合，但 OCR 错误会直接污染后续 XML 的准确性 - 如果是原生文本 PDF（能复制粘贴），优先用
pdfplumber或PyPDF2（新版叫pypdf）提取文本+位置信息；pdfplumber对表格、多栏布局支持更好 - 别信“在线 PDF 转 XML 工具”，它们基本只做标签包裹，不理解语义，生成的 XML 连
<title></title>和<heading></heading>都分不清
用 pdfplumber 提取带结构信息的原始数据
pdfplumber 不输出 XML，但它能拿到字符坐标、字体大小、行高、是否加粗等线索，这些才是构建有意义 XML 的依据：
- 按 y 坐标分块识别“标题”（大字号+居中/加粗）、“段落”、“列表项”
- 表格需调用
page.extract_table()，否则文字顺序会错乱；返回的是二维 list，得手动映射成<row><cell></cell></row> - 示例关键逻辑：
import pdfplumber<br>with pdfplumber.open("doc.pdf") as pdf:<br> for page in pdf.pages:<br> # 获取所有文本对象（含位置和样式）<br> chars = page.chars<br> # 按字体大小聚类，推测层级<br> font_sizes = [c["size"] for c in chars]<br> # …后续按 size 分组、合并相邻行、生成对应 XML 标签
定义你自己的 XML Schema，再写转换逻辑
没有预设的“PDF to XML”标准，只有“PDF → 中间结构 → 你的 XML”。比如你要生成符合 TEI 规范的 XML，就得明确：<teiheader></teiheader> 从哪来？<p></p> 怎么和原文段落对齐？页眉页脚要不要剥离？
- 别试图一步到位生成完整 XML；先导出 JSON（含 text、x0、top、size、fontname），人工抽检几页，确认规则合理再写 XML 序列化
- 如果原文有明确模板（如发票、合同），用正则或
lxml.etree.SubElement硬编码字段映射更可靠，比通用解析稳得多 - 注意编码：PDF 中的 Unicode 字符（尤其中文）可能以 CID 编码存储，
pdfplumber默认处理了，但若用低层库如fitz（PyMuPDF），得手动调用page.get_text("text", encoding="utf-8")
真正难的从来不是“怎么转”，而是“转出来的 XML 谁来消费、要满足什么校验规则”。没想清楚目标 schema 就动手写转换器，最后八成要推倒重来。
