La plupart des outils de fractionnement de PDF divisent un document en fonction du nombre de pages : divisé toutes les N pages, divisé en numéros de page spécifiques ou divisé en parties égales. Cette approche fonctionne lorsque vous savez déjà exactement où se trouvent les limites du document. Cela échoue complètement lorsque vous avez affaire à un PDF fusionné dont vous ne connaissez pas la structure interne, où des documents de longueurs variables et inconnues ont été combinés sans pages de séparation claires. L'approche du nombre de pages vous oblige à deviner où se termine un document et où commence le suivant, et une mauvaise estimation coupe un document en deux ou fusionne la queue d'un document avec la tête du suivant.
Une approche fondamentalement plus fiable détecte les changements dans l'orientation de la mise en page, la densité du contenu ou le formatage qui signalent une transition d'un document source au suivant. Ces éléments structurels sont présents dans presque tous les PDF fusionnés, car les différents documents sources ont invariablement des caractéristiques de formatage différentes, même lorsque ces différences sont suffisamment subtiles pour qu'un lecteur occasionnel ne les remarque pas. Apprendre à identifier ces signaux transforme le fractionnement de PDF d'une conjecture en un processus méthodique.
Signaux basés sur la mise en page qui indiquent les limites du document
Lorsque plusieurs documents sont fusionnés en un seul PDF, chaque document source possède son propre ADN de formatage. Le document A peut utiliser des pages au format lettre avec des marges d'un pouce, un corps de texte de 12 points en Times New Roman et un en-tête contenant le logo de l'entreprise sur chaque page. Le document B peut utiliser les mêmes pages au format lettre mais avec des marges plus étroites, un texte Calibri de 11 points et aucun en-tête. Le document C peut passer entièrement en orientation paysage pour une annexe de feuille de calcul. Ces changements de formatage sont immédiatement visibles par un humain feuilletant les vignettes des pages, et ils sont mesurables par des outils d'analyse PDF qui peuvent extraire les propriétés de la page par programme.
Le tableau ci-dessous résume les signaux basés sur la mise en page les plus fiables pour détecter les limites du document et comment les évaluer.
| Signal de détection | Ce qu'il mesure | Niveau de fiabilité |
|---|---|---|
| Changement de dimension de page | Basculez entre les formats de page Lettre, Légal, A4 ou personnalisé | Très élevé |
| Changement d'orientation | Portrait vers paysage ou vice versa entre pages consécutives | Très élevé |
| Baisse de la densité du texte | Forte diminution du nombre de caractères par zone de page, typique des pages de titre | Haut |
| Famille de police ou changement de taille | Changement de police dominante, indiquant un nouveau formatage du document source | Modéré |
| Modification de la largeur de la marge | Marges gauche, droite, supérieure ou inférieure différentes entre les pages adjacentes | Modéré |
| Apparition de l'en-tête ou du pied de page | Présence ou absence de texte récurrent en haut ou en bas de page | Élevé lorsqu'il est présent |
Essayez de diviser le PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
Utilisation de l'analyse de densité de contenu pour trouver des points de partage naturels
La densité du contenu, mesurée par la quantité de caractères de texte, la zone d'image et l'espace blanc sur une page, suit des modèles prévisibles au sein d'un seul document. Un document typique commence par une page de titre comportant une faible densité de texte et un espace blanc élevé. Les pages de contenu qui suivent ont une densité de texte cohérente et nettement plus élevée. Si le document se termine par une page de signature ou une annexe, la densité peut à nouveau changer à ce moment-là. Lorsque plusieurs documents sont fusionnés, ce modèle de densité se répète avec chaque nouveau document : une vallée de faible densité au niveau de la page de titre, suivie d'un plateau de densité plus élevée et cohérente sur l'ensemble des pages de contenu.
Les logiciels capables de mesurer la densité du contenu par page peuvent identifier ces répétitions de modèles et les signaler comme points de partage candidats. Un graphique de densité du PDF fusionné montre les pics et les vallées correspondant respectivement aux pages de contenu et aux pages de titre. Les vallées où la densité chute fortement sont les points de partage candidats. Lorsque ces vallées s'alignent sur d'autres changements structurels tels qu'un changement de dimension de page ou un changement de police, la probabilité que la page représente une limite de document est extrêmement élevée. L'outil Split PDF de WukongPDF fournit un sélecteur de page visuel qui vous permet de marquer des points de division à chaque limite identifiée et d'extraire chaque segment en tant que PDF distinct et correctement nommé.
Les changements d'orientation comme signal de frontière le plus puissant
Un changement d'orientation de la page de portrait à paysage ou vice versa est le signal le plus fiable des limites d'un document car il indique presque toujours un basculement entre les documents sources. Au sein d’un même document, les pages conservent presque toujours une orientation cohérente. Une feuille de calcul de paysage insérée dans un rapport autrement portrait, un certificat de paysage mélangé à des formulaires de demande de portrait et des dessins d'architecture paysagère mélangés à des pages de spécifications de portrait sont tous des indicateurs clairs qu'un nouveau document source commence au changement d'orientation.
Le fractionnement lors des changements d’orientation est d’une simplicité rafraîchissante. Faites défiler les vignettes des pages du PDF fusionné et notez chaque page dont l'orientation diffère de la page précédente. Chacune de ces pages marque le début probable d’un nouveau document. Extrayez les pages entre les changements d’orientation sous forme de fichiers individuels. Si le PDF fusionné contient un mélange de pages portrait et paysage appartenant toutes au même document, ce qui est rare mais possible dans les rapports hautement formatés avec des pages dépliantes, vérifiez les points de division en vérifiant d'autres signaux tels que la densité du texte et la cohérence des polices avant de vous engager dans la division.
Combinaison de plusieurs signaux pour un fractionnement automatisé fiable
Aucun signal de mise en page n'est parfaitement fiable pour détecter les limites d'un document dans tous les cas. Une page paysage dans un document portrait peut être un graphique ou un dépliant dans le même rapport, et non le début d'un nouveau document. Une baisse de densité peut être une page de titre de chapitre dans un document plus long, et non le début d'un fichier séparé. L'approche de fractionnement automatisée la plus fiable combine plusieurs signaux : un point de partage n'est confirmé que lorsque deux ou plusieurs signaux de mise en page changent simultanément sur la même page. Un changement d'orientation et un changement de police indiquent fortement un nouveau document. Une baisse de densité combinée à un changement de dimension de page est tout aussi fiable.
Pour les fichiers PDF fusionnés volumineux pour lesquels la révision manuelle de chaque page n'est pas pratique, une approche à signaux combinés permet une division automatisée avec des taux d'erreur suffisamment faibles. L'outil de fractionnement traite chaque page, calcule tous les signaux de mise en page et marque uniquement les pages sur lesquelles plusieurs signaux changent en même temps. Un examen manuel rapide des pages marquées, en visualisant chacune d'entre elles pour confirmer qu'elles représentent véritablement une limite du document, prend une petite fraction du temps nécessaire pour examiner chaque page du document. Le pipeline de traitement PDF Batch de détection automatisée de signaux multiples suivi d'une vérification humaine ciblée combine la vitesse de l'automatisation avec la précision du jugement humain.
Essayez de diviser le PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.