От чертежа к данным: почему нельзя просто «Сохранить как XML»

Формат для глаз: в чем суть DOCX и PDF

Важно понять, что PDF или DOCX не содержат информации о том, как интерпретировать данные в этих документах. Если прибегнуть к языку аналогий, то давайте представим чертеж на бумаге или его цифровой скан, на котором изображены просто две линии разной толщины и цветов. Глядя на этот чертеж, один человек скажет: «вот тонкая черная линия, а это толстая синяя», второй же опишет это иначе: «одна темно-серая линия толщиной 1 мм, и одна цвета индиго толщиной 3 мм» и т.д. Главная и практически единственная задача этих форматов — показать информацию человеку именно так, как ее задумал автор. Он оперирует визуальными командами: «нарисовать линию из точки А в точку Б», «разместить текст "Стена С-1" по координатам X, Y», «сделать этот заголовок жирным и 20-м кеглем».

PDF — это, по сути, «цифровой отпечаток». Он фиксирует внешний вид документа, но не имеет никакого понятия о смысловом содержании. Для него таблица — это просто набор линий и текстовых блоков, а не связанные между собой данные.

DOCX, как ни иронично, внутри состоит из XML-файлов. Но эти файлы описывают не суть проекта, а его оформление: абзацы, стили, размеры шрифтов и отступы.

Эти форматы созданы для человеческих глаз. Они отвечают на вопрос «КАК ВЫГЛЯДИТ?». Благодаря абстрактному мышлению и опыту общения с другими людьми, один человек поймет другого, даже если они выражают свои мысли по-разному, как в нашем примере с линиями. Но вот компьютеры — это совсем другая история, для них важна точность до знака.

Формат для машин: логика XML

XML — это не чертеж, а структурированная спецификация или ведомость материалов. Ему безразлично, какой шрифт у заголовка или насколько жирная линия контура. Его задача — хранить структуру и суть данных в понятном для машины виде. Он отвечает на вопрос «ЧТО ЭТО?».

Сравните:

<Project id="DS-123">
<Building name="Корпус 1">
<Floor number="3">
<Wall id="W-305">
<Material>Железобетон</Material>
<Thickness unit="mm">200</Thickness>
<FireRating>REI 60</FireRating>
</Wall>
</Floor>
</Building>
</Project>

Здесь каждый тег (<Material>, <Thickness>) однозначно описывает данные, а иерархия показывает их взаимосвязь. Машина точно знает, что толщина 200 мм относится именно к стене W-305 на 3-м этаже.

Иллюзия конвертации: от картинки к смыслу

Пытаться «конвертировать» PDF в XML — это как смотреть на скан чертежа и требовать от компьютера, чтобы он автоматически создал по нему детализированную смету и 3D-модель. Определенные подвижки в этом направлении существуют, но давайте смотреть правде в глаза: они еще очень далеки от требуемого уровня качества. Чтобы это произошло, нужен не простой конвертер, а сложнейший искусственный интеллект. Современные чат-боты типа ChatGPT, GigaChat, DeepSeek и т.п. пока еще находятся на уровне песочницы относительно рассматриваемой задачи. Этот гипотетический ИИ должен быть снабжен бесконечным контекстным окном, подстрахован жесткими алгоритмами, иметь в распоряжении огромные вычислительные мощности — и все равно ему потребуется пройти три основных этапа, на каждом из которых будет высокая вероятность ошибки:

• Распознавание. Сначала программа должна «прочитать» документ с помощью технологии OCR (оптическое распознавание символов), превращая картинки букв в текст. Уже на этом этапе возможны ошибки, и цена этих ошибок экспоненциально растет с каждым следующим шагом.
• Интерпретация. Затем ИИ должен, как опытный инженер, «догадаться» о смысле увиденного и правильно его интерпретировать. «Ага, этот текст вверху таблицы, значит, это заголовок столбца. А число под ним — это его значение».
• Сопоставление (Маппинг). Самое сложное. Распознанные данные нужно сопоставить с конкретной, заранее утвержденной XML-схемой. Программа должна понять, что найденный на чертеже текст «Толщина ж/б стены» нужно поместить именно в тег <Thickness>, а материал — в <Material>Железобетон</Material>. Если в исходном документе будет написано «Толщ. стены», а не «Толщина», автоматика может легко ошибиться. А теперь вспомните реальные архитектурные или конструкторские чертежи. 6000 — вероятно, многие смогут сопоставить в голове эту цифру с шагом строительной оси, а если у нас те же размеры имеют внутренние стены, а если еще и разрез на чертеже есть с показанной высотой колонны, и она тоже 6000... В общем, мысль, наверное, понятна.

Таким образом, это не просто конвертация, а информационно-емкий процесс «обратного инжиниринга» смысла, который по определению не может быть ни быстрым, ни стопроцентно точным.

Путь самурая: почему ручное создание XML — не выход

«Хорошо, — скажет инженер отечественной закалки, — если конвертировать нельзя, я создам XML-файл вручную в блокноте!» Это путь, безусловно благородный, но отчаянный и полный не только очевидных сложностей, но и коварных ловушек, и вот почему:

• Синтаксис не прощает ошибок. Одна незакрытая угловая скобка, опечатка в названии тега или пропущенные кавычки в атрибуте (unit=mm вместо unit="mm") делают весь документ невалидным. Машина его просто не примет, а найти ошибку в тысячах строк кода — задача нетривиальная.
• Сложность схем. Утвержденные XML-схемы для экспертизы — это многостраничные технические документы. Чтобы создать корректный файл, инженеру пришлось бы постоянно сверяться с документацией, проверяя правильность каждого тега, его атрибутов и порядка вложенности. Это колоссальная ручная работа, сводящая на нет всю пользу от автоматизации процессов, ради которой все это и задумано.
• Неподходящие инструменты. Программы для работы с XML (вроде XML Spy или редакторов кода) созданы для программистов. Они сложны, имеют высокий порог вхождения и предназначены для разработки схем, а не для удобного заполнения проектных данных. Пытаться в них решить рассматриваемую задачу — все равно что использовать микроскоп для забивания гвоздей.

Единственный разумный путь — использование профильного ПО (например, DoXML), которое берет эту работу на себя. Инженер вносит данные в привычном графическом интерфейсе, в сгруппированные в нужном порядке поля, а программа сама формирует на их основе корректный и валидный XML-файл.