La mayoría de las herramientas de división de PDF dividen un documento por número de páginas: dividir después de cada N páginas, dividir en números de página específicos o dividir en partes iguales. Este enfoque funciona cuando ya sabes exactamente dónde se encuentran los límites del documento. Falla por completo cuando se trata de un PDF fusionado cuya estructura interna no conoce, donde se combinaron documentos de longitudes variables y desconocidas sin páginas separadoras claras. El enfoque del recuento de páginas le obliga a adivinar dónde termina un documento y comienza el siguiente, y una suposición incorrecta corta un documento por la mitad o fusiona el final de un documento con el encabezado del siguiente.
Un enfoque fundamentalmente más confiable detecta cambios en la orientación del diseño de la página, la densidad del contenido o el formato que señalan una transición de un documento fuente al siguiente. Estas señales estructurales están presentes en casi todos los PDF combinados porque diferentes documentos fuente invariablemente tienen diferentes características de formato, incluso cuando esas diferencias son lo suficientemente sutiles como para que un lector casual no las note. Aprender a identificar estas señales transforma la división de PDF de conjeturas en un proceso metódico.
Señales basadas en diseño que indican límites de documentos
Cuando se combinan varios documentos en un solo PDF, cada documento fuente lleva su propio ADN de formato. El documento A puede utilizar páginas tamaño carta con márgenes de una pulgada, cuerpo de texto de 12 puntos en Times New Roman y un encabezado que contenga el logotipo de la empresa en cada página. El documento B puede usar las mismas páginas de tamaño carta pero con márgenes más estrechos, texto Calibri de 11 puntos y sin encabezado alguno. El documento C podría cambiar completamente a orientación horizontal para un apéndice de hoja de cálculo. Estos cambios de formato son visibles inmediatamente para un ser humano que hojea las miniaturas de las páginas y se pueden medir mediante herramientas de análisis de PDF que pueden extraer propiedades de la página mediante programación.
La siguiente tabla resume las señales basadas en diseño más confiables para detectar límites de documentos y cómo evaluar cada una.
| Señal de detección | Qué mide | Nivel de confiabilidad |
|---|---|---|
| Cambio de dimensión de página | Cambie entre tamaños de página carta, legal, A4 o personalizado | muy alto |
| cambio de orientación | De vertical a horizontal o viceversa entre páginas consecutivas | muy alto |
| Caída de la densidad del texto | Fuerte disminución de caracteres por área de página, típica de las páginas de título | Alto |
| Familia de fuentes o cambio de tamaño | Cambio en la fuente dominante, lo que indica un nuevo formato del documento fuente | Moderado |
| Cambio de ancho de margen | Diferentes márgenes izquierdo, derecho, superior o inferior entre páginas adyacentes | Moderado |
| Aspecto del encabezado o pie de página | Presencia o ausencia de texto recurrente en la parte superior o inferior de la página | Alto cuando está presente |
Uso del análisis de densidad de contenido para encontrar puntos de división naturales
La densidad del contenido, medida como la cantidad de caracteres de texto, área de imagen y espacios en blanco en una página, sigue patrones predecibles dentro de un solo documento. Un documento típico comienza con una página de título que tiene baja densidad de texto y mucho espacio en blanco. Las páginas de contenido que siguen tienen una densidad de texto consistente y significativamente mayor. Si el documento termina con una página de firma o un apéndice, la densidad puede volver a cambiar en ese punto. Cuando se combinan varios documentos, este patrón de densidad se repite con cada documento nuevo: un valle de baja densidad en la página de título, seguido de una meseta de densidad más alta y consistente en todas las páginas de contenido.
El software que puede medir la densidad del contenido por página puede identificar estas repeticiones de patrones y marcarlas como puntos de división candidatos. Un gráfico de densidad del PDF combinado muestra picos y valles correspondientes a las páginas de contenido y a las páginas de título, respectivamente. Los valles donde la densidad cae bruscamente son los puntos de división candidatos. Cuando estos valles se alinean con otros cambios estructurales, como un cambio de dimensión de página o un cambio de fuente, la probabilidad de que la página represente un límite de documento es extremadamente alta. La herramienta Dividir PDF de WukongPDF proporciona un selector de página visual que le permite marcar puntos de división en cada límite identificado y extraer cada segmento como un PDF separado con el nombre adecuado.
Cambios de orientación como señal de límite más fuerte
Un cambio en la orientación de la página de vertical a horizontal o viceversa es la señal más confiable de los límites de un documento porque casi siempre indica un cambio entre documentos de origen. Dentro de un solo documento, las páginas casi siempre mantienen una orientación consistente. Una hoja de cálculo apaisada insertada en un informe que de otro modo sería vertical, un certificado apaisado mezclado con formularios de solicitud en formato vertical y dibujos arquitectónicos apaisados mezclados con páginas de especificaciones en formato vertical son todos indicadores claros de que un nuevo documento fuente comienza con el cambio de orientación.
Dividir en los cambios de orientación es sorprendentemente sencillo. Desplácese por las miniaturas de las páginas del PDF fusionado y observe cada página cuya orientación difiere de la página anterior. Cada una de estas páginas marca el probable comienzo de un nuevo documento. Extraiga las páginas entre cambios de orientación como archivos individuales. Si el PDF combinado contiene una combinación de páginas verticales y horizontales que pertenecen al mismo documento, lo cual es poco común pero posible en informes muy formateados con páginas desplegables, verifique los puntos de división verificando otras señales como la densidad del texto y la coherencia de la fuente antes de realizar la división.
Combinación de múltiples señales para una división automatizada confiable
Ninguna señal de diseño es perfectamente fiable para detectar los límites de los documentos en todos los casos. Una página horizontal dentro de un documento vertical puede ser un gráfico o un desplegable dentro del mismo informe, no el comienzo de un documento nuevo. Una caída de densidad podría ser la página de título de un capítulo dentro de un documento más largo, no el comienzo de un archivo separado. El enfoque de división automatizada más confiable combina múltiples señales: un punto de división se confirma solo cuando dos o más señales de diseño cambian simultáneamente en la misma página. Un cambio de orientación más un cambio de fuente indica claramente un documento nuevo. Una caída de densidad combinada con un cambio de dimensión de página es igualmente confiable.
Para archivos PDF fusionados de gran tamaño en los que la revisión manual de cada página no es práctica, un enfoque de señal combinada proporciona una división automatizada con tasas de error aceptablemente bajas. La herramienta de división procesa cada página, calcula todas las señales de diseño y marca solo aquellas páginas donde cambian varias señales a la vez. Una revisión manual rápida de solo las páginas marcadas, viendo cada una para confirmar que realmente representa un límite del documento, requiere una pequeña fracción del tiempo necesario para revisar cada página del documento. El proceso de procesamiento PDF Batch de detección automatizada de múltiples señales seguida de verificación humana dirigida combina la velocidad de la automatización con la precisión del juicio humano.