Coloca una pila de cincuenta facturas en un escáner de documentos con alimentador automático de documentos. El escáner produce un único PDF que contiene las cincuenta páginas en secuencia. Ahora necesita cada factura como un archivo PDF separado con el nombre del número de factura. Dividir manualmente un PDF de cincuenta páginas en cincuenta archivos individuales, abrir cada uno y guardarlo con el nombre correcto requiere una hora de trabajo tedioso. Una herramienta de división por lotes que detecta los límites de los documentos y nombra los archivos de salida automáticamente hace el mismo trabajo en segundos.
El desafío de Dividir PDF con lotes escaneados es que el escáner ve páginas individuales, no documentos individuales. Una factura de diez páginas se ve exactamente como diez facturas separadas de una página en el escáner. La herramienta de división debe analizar el contenido de la página para determinar dónde termina un documento y comienza el siguiente. Este análisis utiliza patrones de contenido de página, páginas separadoras en blanco, códigos de barras o recuentos de páginas consistentes para identificar los límites del documento.
Cómo los escáneres por lotes producen archivos PDF de varios documentos
Los alimentadores automáticos de documentos procesan las páginas de forma secuencial. Cada página pasa por el escáner y se adjunta a un único PDF de salida. El escáner no sabe ni le importa que las páginas uno a tres son la Factura A, las páginas cuatro a cinco son la Factura B y las páginas seis a ocho son la Factura C. Simplemente produce las páginas uno a ocho en un solo archivo.
Algunos escáneres admiten hojas separadoras, páginas en blanco insertadas entre documentos que indican al escáner que inicie un nuevo PDF. Pero la mayoría de los flujos de trabajo de escaneo omiten las hojas separadoras porque ralentizan el proceso de escaneo. El resultado es un único archivo PDF Batch que contiene varios documentos concatenados.
Este método convierte horas de trabajo manual en segundos de procesamiento automatizado.
El problema se agrava con el escaneo a doble cara. Un documento de diez páginas escaneado a doble cara produce veinte páginas PDF, y cada página física se convierte en dos páginas PDF. La herramienta de división debe comprender que las páginas uno y dos pertenecen al mismo documento, aunque aparezcan como páginas PDF separadas.
Métodos para detectar límites de documentos en un lote escaneado
La coherencia en el recuento de páginas es el método de detección más sencillo. Si todos los documentos del lote tienen el mismo número de páginas, la herramienta de división divide el recuento total de páginas por el recuento de páginas del documento y se divide en esos límites. Las facturas del mismo proveedor suelen tener un número de páginas constante. Este método no requiere análisis de contenido.
La detección de páginas en blanco identifica páginas separadoras que se insertaron intencionalmente entre documentos. Una página en blanco en el lote escaneado indica un límite del documento. La herramienta de división elimina las páginas separadoras en blanco y divide las páginas restantes en documentos individuales en las posiciones de las páginas en blanco.
La detección de patrones de contenido es el método más sofisticado. La herramienta de división busca patrones recurrentes que indican el inicio de un nuevo documento. Una factura normalmente comienza con el logotipo, la dirección y el número de factura del proveedor. Un formulario comienza con un campo de título y fecha. Un informe comienza con una portada. La herramienta identifica estos patrones y marca cada aparición como un límite del documento.
La detección de códigos de barras identifica las páginas separadoras con códigos de barras impresos. Un código de barras en la parte superior de la primera página de cada documento codifica el ID del documento. La herramienta de división lee el código de barras, nombra el archivo de salida con el valor codificado y lo divide cada vez que aparece un código de barras. Este método es popular en el procesamiento de documentos sanitarios, legales y financieros.
Uso de herramientas divididas con capacidades de detección de documentos
WukongPDF proporciona procesamiento de PDF escaneado a través del navegador, incluida la capacidad de dividir lotes escaneados de varios documentos en archivos individuales. La herramienta de división puede detectar límites de documentos utilizando patrones de contenido o recuentos de páginas específicos.
Antes de dividir, obtenga una vista previa del lote para verificar el orden y la orientación de las páginas. Las páginas escaneadas al revés o desordenadas producirán archivos de salida ordenados incorrectamente. La mayoría de las herramientas de división incluyen una vista previa de la página y una función de reordenamiento para corregir errores de escaneo antes de dividirla.
Configure el nombre del archivo de salida según el contenido detectado. Si la herramienta de división puede leer el número de factura o el ID del documento de la primera página de cada documento, utilice ese valor como nombre del archivo de salida. Si la denominación basada en contenido no está disponible, utilice numeración secuencial con un prefijo descriptivo.
Verificación de la precisión de la división
Después de dividir, verifique los primeros y últimos archivos de salida. Abra el primer archivo de salida y confirme que contenga las páginas correctas. Abra el último archivo de salida y confirme que contiene las páginas finales del lote. Verifique un archivo desde la mitad del lote. Estas comprobaciones detectan errores de detección de límites antes de que se distribuyan los archivos.
Compare el recuento total de páginas de todos los archivos de salida con el recuento de páginas del lote original. Si la suma coincide, cada página se asignó a un archivo de salida. Si la suma es menor, las páginas se perdieron durante la división. Si la suma es mayor, se duplicaron páginas.
Los lotes en los que los límites de los documentos son ambiguos, ejecutan la división con configuraciones conservadoras que requieren pruebas de límites más sólidas. Una división conservadora podría dejar algunos documentos combinados en lugar de dividir incorrectamente un solo documento en varios archivos. Los documentos combinados se pueden dividir manualmente con menor riesgo que los fragmentos de un solo documento.
Automatización del flujo de trabajo de división y nombre
Para escanear y dividir lotes recurrentes, automatice el flujo de trabajo. Guarde la configuración de división, el método de detección de límites y la convención de nomenclatura de salida como un perfil. Cada lote posterior se procesa con el mismo perfil, lo que produce resultados consistentes. El tiempo de configuración inicial se recupera después del segundo lote.
Integre la salida dividida con los sistemas de gestión de documentos configurando el nombre de la salida para que coincida con el formato esperado del sistema. Un ID de documento extraído durante la división que coincida con la convención de nomenclatura del sistema de gestión de documentos permite la ingesta automática sin cambiar el nombre manualmente.
La separación de documentos en lotes escaneados es una necesidad común en industrias que procesan documentos en papel en volumen: la atención médica procesa registros de pacientes, procesos legales, expedientes de casos, procesos contables de facturas y procesos gubernamentales de aplicaciones. Cada industria tiene sus propios tipos de documentos, recuentos de páginas y patrones de límites.
Las hojas separadoras de códigos de barras son el método más confiable para operaciones de escaneo de gran volumen. Imprima una hoja de código de barras desde el sistema de gestión de documentos, colóquela encima de cada documento antes de escanearlo y la herramienta de división lee el código de barras para identificar los límites del documento y nombrar los archivos de salida. El código de barras elimina la ambigüedad sobre dónde comienzan y terminan los documentos.
El reconocimiento óptico de marcas puede identificar casillas de verificación o círculos rellenos en la primera página de cada documento que indican el tipo o la prioridad del documento. La herramienta de división lee estas marcas y dirige los documentos a diferentes carpetas de salida según el tipo reconocido.
Se debe medir y monitorear la precisión de la separación automatizada de documentos. Un lote de 500 documentos con una precisión de separación del 99 % todavía produce 5 documentos mal divididos que necesitan corrección manual. Realice un seguimiento de la tasa de error a lo largo del tiempo para identificar los tipos de documentos o las condiciones de escaneo que producen tasas de error más altas.
Para lotes donde los límites de los documentos son inconsistentes, un paso de revisión humana entre el escaneo y la división detecta errores de límites que la detección automática pasa por alto. El revisor escanea el lote en un visor de páginas, confirma o ajusta los límites detectados y luego activa la división automatizada.
El formato del archivo de salida después de la división puede incluir PDF/A para archivar, PDF comprimido para distribución o TIFF para procesamiento posterior de imágenes. Configure el formato de salida según el uso posterior de los documentos separados.
La integración del flujo de trabajo dividido con un sistema de gestión de documentos crea un proceso fluido desde el papel hasta el archivo con capacidad de búsqueda. El escáner produce un PDF por lotes, el divisor lo separa en documentos individuales, el OCR permite realizar búsquedas en ellos y el sistema de gestión de documentos los indexa para su recuperación.
Los servicios divididos basados en la nube ofrecen las mismas capacidades que las herramientas de escritorio con la ventaja de ser accesibles desde cualquier dispositivo. El PDF por lotes escaneado se carga, se procesa y los documentos individuales se devuelven como archivos separados. Se aplican consideraciones de privacidad de datos cuando se utilizan servicios en la nube para documentos confidenciales.
La convención de nomenclatura para archivos de salida divididos debe ser coherente y ordenable. Un formato como AAAA-MM-DD_DocumentType_SequentialNumber produce nombres de archivos que se ordenan cronológicamente y se agrupan por tipo de documento. La denominación coherente permite el procesamiento automatizado por parte de sistemas posteriores.
Al dividir lotes que contienen tipos de documentos mixtos, la herramienta de división puede enrutar diferentes tipos de documentos a diferentes carpetas de salida según el reconocimiento de contenido. Las facturas van a la carpeta Contabilidad, los contratos van a la carpeta Legal y la correspondencia va a la carpeta Registros.
La resolución de las páginas escaneadas afecta la precisión del OCR si se ejecutará OCR en los documentos divididos. Escanee a un mínimo de 300 DPI en busca de documentos que se procesarán con OCR después de dividirlos.
Algunas herramientas de división pueden generar un archivo de manifiesto junto con la salida dividida. El manifiesto enumera cada nombre de archivo de salida, el rango de páginas de origen y cualquier metadato extraído durante la división. El manifiesto respalda el control de calidad y el seguimiento de documentos.
El ahorro de tiempo de la división de lotes automatizada en comparación con la división manual es proporcional al tamaño del lote. Un lote de 50 documentos divididos manualmente requiere aproximadamente 50 minutos de trabajo repetitivo. La división automatizada del mismo lote requiere aproximadamente 30 segundos de tiempo de configuración y procesamiento.
La resolución del escaneo afecta tanto a la precisión de la división como a la calidad del documento de salida. Los escaneos de mayor resolución producen un texto más claro que mejora la detección de límites basada en contenido. La desventaja es que los archivos son de mayor tamaño durante el procesamiento. Para fines de división, 200 DPI suelen ser suficientes para una detección precisa de límites.
| Método de detección | Cómo funciona | Mejor para | Precisión |
|---|---|---|---|
| Coherencia en el recuento de páginas | Divida el total de páginas por la longitud conocida del documento | Documentos uniformes de la misma fuente. | Alto para recuentos de páginas conocidos |
| Detección de página en blanco | Identificar páginas separadoras vacías | Lotes escaneados con separadores | Alto si las páginas en blanco están realmente vacías |
| Patrón de contenido | Reconocer patrones de encabezado recurrentes | Facturas, formularios, informes. | Medio-Alto; depende de la consistencia del patrón |
| Reconocimiento de código de barras | Leer el código de barras en la primera página de cada documento. | Documentos sanitarios, legales y financieros. | Muy alto; el código de barras es inequívoco |