Die meisten PDF-Aufteilungstools teilen ein Dokument nach der Seitenzahl auf: Teilen Sie es nach jeweils N Seiten, teilen Sie es bei bestimmten Seitenzahlen auf oder teilen Sie es in gleiche Teile auf. Dieser Ansatz funktioniert, wenn Sie bereits genau wissen, wo sich die Dokumentgrenzen befinden. Dies schlägt völlig fehl, wenn Sie es mit einer zusammengeführten PDF-Datei zu tun haben, deren interne Struktur Sie nicht kennen, in der Dokumente unterschiedlicher und unbekannter Länge ohne klare Trennseiten zusammengefasst wurden. Beim Ansatz der Seitenzählung müssen Sie raten, wo ein Dokument endet und das nächste beginnt, und bei einer falschen Schätzung wird entweder ein Dokument in zwei Hälften geschnitten oder das Ende eines Dokuments mit dem Kopf des nächsten zusammengeführt.
Ein wesentlich zuverlässigerer Ansatz erkennt Änderungen in der Ausrichtung des Seitenlayouts, der Inhaltsdichte oder der Formatierung, die einen Übergang von einem Quelldokument zum nächsten signalisieren. Diese strukturellen Hinweise sind in fast jeder zusammengeführten PDF-Datei vorhanden, da verschiedene Quelldokumente stets unterschiedliche Formatierungsmerkmale aufweisen, selbst wenn diese Unterschiede so subtil sind, dass ein Gelegenheitsleser sie nicht bemerken würde. Wenn Sie lernen, diese Signale zu identifizieren, wird die PDF-Aufteilung vom Rätselraten zu einem methodischen Prozess.
Layoutbasierte Signale, die Dokumentgrenzen anzeigen
Wenn mehrere Dokumente zu einem einzigen PDF zusammengeführt werden, trägt jedes Quelldokument seine eigene Formatierungs-DNA. Dokument A verwendet möglicherweise Seiten im Letter-Format mit einem Rand von 2,5 cm, 12-Punkt-Fließtext in Times New Roman und eine Kopfzeile mit einem Firmenlogo auf jeder Seite. Dokument B verwendet möglicherweise die gleichen Seiten im Letter-Format, jedoch mit schmaleren Rändern, 11-Punkt-Calibri-Text und überhaupt keiner Kopfzeile. Dokument C wechselt möglicherweise für einen Tabellenanhang vollständig in die Querformatausrichtung. Diese Formatierungsänderungen sind für einen Menschen, der durch die Miniaturansichten der Seiten blättert, sofort sichtbar und können von PDF-Analysetools gemessen werden, die Seiteneigenschaften programmgesteuert extrahieren können.
Die folgende Tabelle fasst die zuverlässigsten Layout-basierten Signale zur Erkennung von Dokumentgrenzen und deren Auswertung zusammen.
| Erkennungssignal | Was es misst | Zuverlässigkeitsniveau |
|---|---|---|
| Änderung der Seitengröße | Wechseln Sie zwischen den Seitenformaten Letter, Legal, A4 oder benutzerdefinierten Seiten | Sehr hoch |
| Orientierungsänderung | Zwischen aufeinanderfolgenden Seiten können Sie zwischen Hochformat und Querformat wechseln oder umgekehrt | Sehr hoch |
| Rückgang der Textdichte | Starker Rückgang der Zeichen pro Seitenbereich, typisch für Titelseiten | Hoch |
| Schriftfamilien- oder Größenverschiebung | Änderung der dominanten Schriftart, was auf eine neue Formatierung des Quelldokuments hinweist | Mäßig |
| Änderung der Randbreite | Unterschiedliche linke, rechte, obere oder untere Ränder zwischen benachbarten Seiten | Mäßig |
| Darstellung der Kopf- oder Fußzeile | Vorhandensein oder Fehlen von wiederkehrendem Text oben oder unten auf der Seite | Hoch, wenn vorhanden |
Probieren Sie Split PDF aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Verwenden der Inhaltsdichteanalyse zum Finden natürlicher Teilungspunkte
Die Inhaltsdichte, gemessen als die Anzahl der Textzeichen, der Bildfläche und des Leerraums auf einer Seite, folgt vorhersehbaren Mustern innerhalb eines einzelnen Dokuments. Ein typisches Dokument beginnt mit einer Titelseite, die eine geringe Textdichte und viel Leerraum aufweist. Die folgenden Inhaltsseiten weisen eine einheitliche und deutlich höhere Textdichte auf. Wenn das Dokument mit einer Signaturseite oder einem Anhang endet, kann sich die Dichte an dieser Stelle erneut ändern. Wenn mehrere Dokumente zusammengeführt werden, wiederholt sich dieses Dichtemuster bei jedem neuen Dokument: ein Tal niedriger Dichte auf der Titelseite, gefolgt von einem Plateau höherer und gleichmäßiger Dichte auf den Inhaltsseiten.
Software, die die Inhaltsdichte pro Seite messen kann, kann diese Musterwiederholungen identifizieren und sie als mögliche Teilungspunkte kennzeichnen. Ein Dichtediagramm des zusammengeführten PDF zeigt Spitzen und Täler entsprechend den Inhaltsseiten bzw. Titelseiten. Die Täler, in denen die Dichte stark abfällt, sind mögliche Teilungspunkte. Wenn diese Täler mit anderen strukturellen Änderungen wie einer Seitenabmessungsänderung oder einer Schriftartverschiebung übereinstimmen, ist die Wahrscheinlichkeit extrem hoch, dass die Seite eine Dokumentgrenze darstellt. Das Split PDF-Tool von WukongPDF bietet eine visuelle Seitenauswahl, mit der Sie Teilungspunkte an jeder identifizierten Grenze markieren und jedes Segment als separates, ordnungsgemäß benanntes PDF extrahieren können.
Orientierungsänderungen als stärkstes Grenzsignal
Eine Änderung der Seitenausrichtung von Hochformat zu Querformat oder umgekehrt ist das zuverlässigste Signal einer Dokumentgrenze, da sie fast immer auf einen Wechsel zwischen Quelldokumenten hinweist. Innerhalb eines einzelnen Dokuments behalten die Seiten fast immer eine einheitliche Ausrichtung bei. Eine Tabelle im Querformat, die in einen ansonsten hochformatigen Bericht eingefügt wird, ein Zertifikat im Querformat gemischt mit Antragsformularen im Hochformat und Architekturzeichnungen im Querformat gemischt mit Spezifikationsseiten im Hochformat sind allesamt klare Indikatoren dafür, dass ein neues Quelldokument mit der Änderung der Ausrichtung beginnt.
Die Aufteilung bei Orientierungsänderungen ist erfrischend einfach. Scrollen Sie durch die Miniaturansichten der zusammengeführten PDF-Seiten und notieren Sie sich jede Seite, deren Ausrichtung von der vorherigen Seite abweicht. Jede dieser Seiten markiert wahrscheinlich den Beginn eines neuen Dokuments. Extrahieren Sie die Seiten zwischen Ausrichtungsänderungen als einzelne Dateien. Wenn das zusammengeführte PDF eine Mischung aus Seiten im Hoch- und Querformat enthält, die alle zum selben Dokument gehören, was selten vorkommt, aber bei hochformatierten Berichten mit ausklappbaren Seiten möglich ist, überprüfen Sie die Teilungspunkte, indem Sie andere Signale wie Textdichte und Schriftartkonsistenz prüfen, bevor Sie die Teilung vornehmen.
Kombinieren mehrerer Signale für eine zuverlässige automatisierte Aufteilung
Kein einzelnes Layoutsignal ist in jedem Fall vollkommen zuverlässig für die Erkennung von Dokumentgrenzen. Eine Querformatseite innerhalb eines Hochformatdokuments kann ein Diagramm oder eine Ausklappseite innerhalb desselben Berichts sein und nicht der Anfang eines neuen Dokuments. Ein Dichteabfall kann eine Kapiteltitelseite innerhalb eines längeren Dokuments sein, nicht der Anfang einer separaten Datei. Der zuverlässigste automatisierte Aufteilungsansatz kombiniert mehrere Signale: Ein Aufteilungspunkt wird nur bestätigt, wenn sich zwei oder mehr Layoutsignale gleichzeitig auf derselben Seite ändern. Eine Ausrichtungsänderung und eine Änderung der Schriftart weisen stark auf ein neues Dokument hin. Ein Dichteabfall in Kombination mit einer Änderung der Seitengröße ist ähnlich zuverlässig.
Bei großen zusammengeführten PDFs, bei denen eine manuelle Überprüfung jeder einzelnen Seite unpraktisch ist, ermöglicht ein kombinierter Signalansatz eine automatische Aufteilung mit akzeptabel niedrigen Fehlerraten. Das Aufteilungstool verarbeitet jede Seite, berechnet alle Layoutsignale und markiert nur die Seiten, auf denen sich mehrere Signale gleichzeitig ändern. Eine schnelle manuelle Überprüfung nur der markierten Seiten, wobei jede einzelne Seite überprüft wird, um sicherzustellen, dass sie tatsächlich eine Dokumentgrenze darstellt, nimmt nur einen kleinen Bruchteil der Zeit in Anspruch, die für die Überprüfung jeder Seite im Dokument erforderlich ist. Die PDF Batch-Verarbeitungspipeline der automatisierten Multisignalerkennung mit anschließender gezielter menschlicher Verifizierung kombiniert die Geschwindigkeit der Automatisierung mit der Genauigkeit menschlichen Urteilsvermögens.
Probieren Sie Split PDF aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.