PDF转XML无统一标准，需先明确目标格式；pdf2xml可输出带坐标的块级XML，pdfplumber则适合自定义结构化XML生成。
PDF 本身不是结构化格式，直接“转成 XML”没有标准定义——你得先明确要什么 XML：是保留排版的 XML_PDF（如 PDF/A-3 的附属文件）、语义结构化的 DocBook 或 JATS，还是仅提取文本+基础标签（如 page/text 层级）的自定义 XML？工具和结果差异极大。
用 pdf2xml（PDFtoXML）提取带坐标的块级结构
这是最接近“PDF → 带位置信息的 XML”的成熟方案，底层基于 Poppler，输出类似 Adobe XML 的结构，含 page、text>、<code>font、bbox 等字段。
- Linux/macOS 直接装：
sudo apt install poppler-utils（Ubuntu）或brew install poppler（macOS），然后运行pdftohtml -xml input.pdf output.xml - Windows 用户建议用预编译二进制（如
pdf2xml-win），避免编译 Poppler；注意默认输出是 HTML，必须加-xml参数，否则得不到 XML - 输出 XML 中的
bbox是 “x1 y1 x2 y2” 坐标，单位是 PDF 的 1/72 英寸，不是像素；若 PDF 有旋转或裁剪盒（CropBox），坐标可能偏移，需检查page节点的width/height - 不处理扫描件（图像型 PDF）——会输出空文本；需先 OCR，再用
tesseract输出hocr格式，它本身就是 XML
用 pdfplumber + Python 自定义生成 XML
当你要控制字段命名、合并逻辑（如把同一行的多个 text 对象拼成一个 line）、或注入业务标签时，pdfplumber 比命令行工具更灵活。
-
pip install pdfplumber后，用pdfplumber.open("file.pdf")加载，遍历pages，再对每页调用extract_words()或extract_table() - 关键点：PDF 中文字常被拆成单个字符或碎片，
extract_words()默认按空格合并，但中英文混排、表格内、斜体字容易断错；建议传参use_text_flow=True并调整x_tolerance/y_tolerance - 生成 XML 时别直接拼字符串，用
xml.etree.ElementTree构建，避免特殊字符（如&、）导致 XML 解析失败；对文本内容务必调用 <code>etree.SubElement(...).text = text.replace("&", "&").replace(" - 性能上，
pdfplumber解析 100 页 PDF 可能比pdftohtml -xml慢 3–5 倍，但可加page_numbers=[0,1]只处理前两页调试
PDF/A-3 里嵌入 XML 文件 ≠ 把 PDF 转成 XML
有人搜 “XML_PDF” 会误以为 PDF/A-3 支持“PDF 内置 XML”，其实它只是允许把任意 XML 文件作为附件嵌入（类似 ZIP 里塞个 XML），PDF 主体仍是不可编辑的流。这不是转换，是打包。
- 用
qpdf可附加文件：qpdf --attach-file data.xml --attached-filename metadata.xml input.pdf output.pdf - Adobe Acrobat 手动操作路径：文件 → 属性 → 附加文档 → 添加；但嵌入后无法通过常规 PDF 解析器读取该 XML，需用支持 PDF/A-3 附件的库（如
pypdf的reader.attachments）单独提取 - 这种做法适合存证场景（如发票 PDF + 结构化 XML 元数据），但不能用于从 PDF 提取内容——嵌入的 XML 是你事先准备好的，不是从 PDF 文字生成的
真正难的不是生成 XML 标签，而是让 XML 里的层级、顺序、归属关系符合业务预期。比如表格跨页、脚注连字符、多栏文本，所有工具都会出错。先用小样例 PDF 跑通流程，再看输出 XML 是否能被下游系统（比如 XSLT 处理器或解析脚本）稳定消费，比追求“一键全自动”更重要。
