PDF XMLファイル変換完全ガイド：手順とおすすめツールを紹介

2026.01.15

PDFをXMLに変換することは、データの再利用性を高めたり、機械可読性を向上させるために不可欠です。この記事では、PDFからXMLへの変換を実現する手順を詳細に説明し、実務に役立つおすすめツールも紹介します。検索者は「PDF→XML 変換のやり方」「おすすめツール」「変換品質を保つコツ」などを知りたいと想定しています。以下のステップで疑問を解消していきます。

PDF‑>XML 変換の概要

PDFファイルはページレイアウトを保持するための最終出力フォーマットであり、内部構造はテキスト、図形、フォント情報がバイナリで格納されています。XMLは階層的で機械可読なフォーマットであるため、情報抽出やデータ統合に適しています。変換プロセスは、まずPDFからテキストとメタデータを抽出し、それをXMLタグに編成していくステップに分解できます。

ステップ 目的 主要ツール／ライブラリ
1. PDF 読み込み 原稿の整備 Adobe Acrobat, pdftotext, Poppler
2. テキスト抽出 原文取得 Tesseract OCR（画像PDF）
3. 構造認識 見出し・段落・表を判別 GROBID, Apache PDFBox
4. XML 生成 標準化されたフォーマット Python/ElementTree, XML API
5. バリデーション スキーマ確認 XSD, Schematron

ステップ 1：PDFの準備と前処理

  1. PDFの種類をチェック

    • テキストベース（検索が可能）
    • スキャンド画像（検索が不可能）

  2. 暗号化・セキュリティ

    • qpdf --show-encryption でパスワードの有無を確認
    • 必要に応じて復号：qpdf --password=xxxx --decrypt input.pdf output.pdf

  3. ページ範囲を限定

    • 変換対象ページのみ抽出：qpdf --pages input.pdf 1-5 -- output_subset.pdf

  4. 言語判定

    • 文字コード違い（例：Shift_JIS）を判別し、必要なら変換。

ツール例

ユーティリティ 説明
qpdf PDFの分割・統合・暗号解除
Poppler pdftotext, pdfimages などのCLIツール
pdfinfo メタデータ確認

ステップ 2：テキスト抽出＆OCR

2‑1. テキストベースPDFの場合

pdftotext -layout input.pdf - | iconv -f ISO-8859-1 -t UTF-8 > extracted.txt
  • -layout はレイアウトを維持したままテキストを取得
  • iconv で文字コードを統一

2‑2. 画像PDF（スキャン）の場合

Tesseract OCR が最も広く使われているオープンソースツールです。

tesseract input.pdf output -l jpn pdf
  • -l jpn は日本語モデル、pdf はPDF形式で出力
  • OCR の精度はスキャン品質に左右されるため、画像の解像度 300‑600 DPI を推奨

さらに、Tesseract の画像前処理（ノイズ除去、傾き補正）が必要なケースでは、ImageMagick を併用すると効果的です。

convert input.pdf -deskew 40% -resize 1200x600% -rotate 0 - | tesseract - - -l jpn pdf

ステップ 3：構造認識

3‑1. GROBID（文献情報の抽出）

PDF から見出し、段落、表などの構造を検出し、XML で出力するライブラリです。学術論文や技術書に最適です。

# Docker で起動
docker run -t --rm -p 8070:8070 lfoppiano/grobid

API 呼び出し例（curl）:

curl -X POST -F input=@input.pdf http://localhost:8070/api/processFulltextDocument > output.xml

3‑2. Apache PDFBox（汎用テキスト抽出）

Java ベースの PDF 解析ライブラリで、ページごとの座標情報やフォント情報も取得可能。

PDDocument document = PDDocument.load(new File("input.pdf"));
TextPositionCounter counter = new TextPositionCounter();
for (int i=0; i<document.getNumberOfPages(); i++) {
    PDFTextStripperByArea stripper = new PDFTextStripperByArea();
    // ...設定...
    stripper.extractRegions(document.getPage(i));
}

3‑3. 自動レイアウトスコアリング

機械学習ベースで段落/表を判別するモデル（例：Deep Learning を利用した LayoutLM）も存在します。Python ライブラリ transformers を利用すると簡単に統合出来ます。

from transformers import layoutlm_for_token_classification

model = layoutlm_for_token_classification.from_pretrained("microsoft/layoutlmv3-base")

ステップ 4：XML 生成

抽出した情報を XML タグ に整理していきます。以下は Python を使った簡単な例です。

import xml.etree.ElementTree as ET
from pathlib import Path

def create_article_xml(text, title=""):
    root = ET.Element("article")
    if title:
        ET.SubElement(root, "title").text = title
    ET.SubElement(root, "body").text = text
    return ET.tostring(root, encoding="unicode", method="xml")

text = Path("extracted.txt").read_text(encoding="utf-8")
xml_data = create_article_xml(text, title="Sample PDF")
Path("output.xml").write_text(xml_data, encoding="utf-8")

XML スキーマ（XSD）

自社で XML を使ってデータ連携する場合は、XSD を作成してバリデーションを行うべきです。

<?xml version="1.0" encoding="UTF-8"?>
<xs:schema xmlns:xs="http://www.w3.org/2001/XMLSchema">
  <xs:element name="article">
    <xs:complexType>
      <xs:sequence>
        <xs:element name="title" type="xs:string" minOccurs="0"/>
        <xs:element name="body" type="xs:string"/>
      </xs:sequence>
    </xs:complexType>
  </xs:element>
</xs:schema>

ステップ 5：バリデーション＆品質確認

チェック項目 方法
文字化け UTF‑8 で開き、特殊文字が正しく表示されているか
構造損失 見出し・表が誤って結合・分割されてないか
XML 構文エラー xmllint --noout output.xml でチェック
スキーマ準拠 xerces-c で XSD 検証

diff や xmllint の --format オプションを使えば視覚的に変更点を確認できます。

おすすめ変換ツールまとめ

種類 特徴 推奨ケース
Adobe Acrobat Pro DC GUI 操作、OCR、PDF→XML エクスポート 一括処理と高品質が必要
pdftohtml (Poppler) コマンドラインで高速 大量PDFのテキスト抽出
GROBID 学術文献向け、表・参照抽出 論文、技術レポート
PDFMiner.six Python スクリプトで柔軟 カスタム解析・統合
Tesseract OCR 画像PDFの文字認識 スキャンした書類
LayoutLM (transformers) 機械学習でレイアウト認識 大規模文書、表検出

実践に向けたヒント

  1. ファイルサイズの管理
    変換時には PDF を 1 MB 以内にリサイズすると処理が高速化します。ImageMagick の -resize オプションを活用。

  2. バッチ処理
    find . -iname "*.pdf" | xargs -I {} sh -c "pdftotext {} out/{}.txt" で一括抽出。

  3. キャッシュ戦略
    OCR の結果は時間が掛かるため、-cached オプションや同じ OCR プロジェクトに対しては スリープ時間 を設けてサーバー負荷を分散。

  4. ログ出力
    変換プロセスは -log オプションでログファイルを取得可能。失敗したページは個別に再処理しやすい。

  5. セキュリティ
    PDF 内に含まれる JavaScript や リンク先 を除去するには qpdf --remove-a-page や ghostscript -dBATCH -dNOPAUSE が有効。

まとめ

PDF→XML への変換は、一連の前処理・抽出・構造解析・生成・検証というステップを段階的に行うことで、データ品質を保ったまま大規模に対応できます。オープンソースと商用ツールを組み合わせることで、コストを抑えつつ高い変換精度を実現可能です。

  • テキストベースPDF は pdftotext＋GROBID で高速実装が可能
  • 画像PDF にはまず Tesseract OCR を走らせ、その後 GROBID で構造化
  • XML 出力は XSD でバリデーションして一貫性を確保

今回紹介したツールと手順を実務で適用することで、PDF から得たデータを機械読み取り可能な XML として再利用し、業務効率の向上と情報資産の最適化に繋げられるでしょう。ぜひ実際に試してみてください。

コメント