Un documento di 500 pagine deve essere suddiviso in capitoli. I capitoli sono contrassegnati da un testo di intestazione coerente come "Capitolo 1," "Capitolo 2", e così via. Scorrere manualmente 500 pagine per trovare ogni titolo di capitolo e dividerlo in ciascuno di essi è noioso. L'utilizzo di un modello di espressione regolare per individuare i titoli dei capitoli e dividere automaticamente il documento a ogni corrispondenza trasforma un'ora di lavoro manuale in pochi secondi di elaborazione automatizzata.
La divisione di un PDF in base alla corrispondenza del modello di testo utilizza espressioni regolari per cercare modelli specifici nel testo del documento e dividerlo a ogni corrispondenza. Il modello può corrispondere ai titoli dei capitoli, ai titoli delle sezioni o a qualsiasi testo ricorrente che contrassegna un punto di divisione. Questo metodo funziona quando il documento presenta indicatori di testo coerenti e leggibili dalla macchina in ogni posizione divisa.
L'operazione Dividi PDF in base al modello regex richiede che il documento contenga testo selezionabile. I documenti scansionati senza OCR devono prima essere sottoposti a OCR.
Creazione del modello Regex
Il modello deve corrispondere esattamente ai titoli dei capitoli e nient'altro. Per titoli come "Capitolo 1", "Capitolo 2", la regex potrebbe essere "Capitolo \d+". La barra rovesciata-d-più corrisponde a una o più cifre. Testare la regex su un campione di testo prima di eseguirla sull'intero documento. Un modello troppo ampio si dividerà in posizioni non previste.
Prova Dividi PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
Esecuzione della divisione
Utilizza uno strumento di divisione PDF che supporti la corrispondenza dei modelli di testo. Inserisci il modello regex. Lo strumento cerca nel documento, identifica ciascuna posizione di corrispondenza e si divide in quei punti. Ogni file di output contiene le pagine da una corrispondenza a quella successiva.
WukongPDF gli strumenti divisi possono elaborare i documenti. La suddivisione basata su regex delle pagine PDF richiede uno strumento che supporti la corrispondenza dei modelli.
Verifica della precisione della suddivisione
Dopo la divisione, aprire ciascun file di output e verificare che inizi con l'intestazione di un capitolo e termini prima dell'intestazione del capitolo successivo. Controlla la prima e l'ultima pagina di ciascun file. Una divisione disallineata mostrerà il contenuto del capitolo sbagliato all'inizio o alla fine.
Escape di caratteri speciali nei modelli Regex
Le intestazioni dei capitoli possono contenere caratteri regex speciali come punti, parentesi o parentesi quadre. Evita questi caratteri con una barra rovesciata nel modello. Un punto letterale nel "Capitolo 1". deve essere scritto come "Capitolo 1\." nella regex.
L'escape dell'espressione regolare PDF diviso previene false corrispondenze e garantisce che il modello corrisponda solo al testo previsto.
Gestione delle intestazioni dei capitoli su più righe
Alcuni titoli di capitoli si estendono su più righe. Una regex che effettua la ricerca riga per riga non corrisponderà a un'intestazione suddivisa su righe. Utilizza una modalità regex su più righe che tratta l'intero testo della pagina come una singola stringa.
La modalità regex multilinea di Pagine PDF per il rilevamento dei capitoli gestisce i titoli che non rientrano in una singola riga.
Creazione di un indice dei capitoli dopo la divisione
Dopo la divisione, genera un indice dei capitoli che elenca ciascun file di output, il titolo del capitolo e l'intervallo di pagine. L'indice aiuta i lettori a navigare nel set di documenti divisi.
La creazione dell'indice dei capitoli di Strumenti PDF dopo la suddivisione dell'espressione regolare fornisce una mappa dei file di output.
Testare i modelli Regex con i tester Regex online
Prima di applicare un modello regex a un PDF, testalo su un campione del testo del documento. I tester regex online mostrano esattamente a quale testo corrisponde il modello. Il feedback visivo conferma che il modello è corretto prima di elaborare centinaia di pagine.
La fase di test dell'espressione regolare del PDF diviso previene la frustrazione di una divisione che produce un output insensato perché il modello corrisponde a testo non previsto.
Esporta un campione del testo PDF in un file di testo semplice. Testare la regex sul file di testo. Applicalo al PDF solo dopo aver confermato che le corrispondenze sono corrette.
Utilizzo dei gruppi di acquisizione per estrarre i titoli dei capitoli
Uno schema regex con gruppi di acquisizione può estrarre non solo la posizione di divisione ma anche il titolo del capitolo. Il titolo catturato diventa il nome del file di output. Uno schema come "Capitolo (\d+): (.+)" cattura sia il numero del capitolo che il titolo.
L'estrazione del gruppo di acquisizione delle pagine PDF automatizza la denominazione dei file durante la divisione. Ogni file di output riceve un nome descrittivo dall'intestazione del capitolo.
Verificare che i titoli acquisiti siano nomi di file validi. Rimuovere o sostituire i caratteri che i file system non accettano nei nomi dei file.
Gestione separata della parte iniziale e della parte posteriore
I documenti spesso hanno una parte introduttiva, un sommario, una prefazione e un retro, appendici e indice, che non dovrebbero essere suddivisi in capitoli. Escludi queste sezioni dalla divisione. Elaborali come file separati o uniscili con capitoli adiacenti.
La gestione della parte anteriore e posteriore del PDF diviso richiede l'identificazione del contenuto prima dell'intestazione del primo capitolo e dopo l'intestazione dell'ultimo capitolo.
Utilizzare un'espressione regolare separata per identificare i confini dell'argomento iniziale e di quello posteriore. Dividi queste sezioni manualmente se il rilevamento automatico non è affidabile.
Ricostruire un sommario da file divisi
Dopo la divisione, i riferimenti alla pagina del sommario originale sono errati perché i numeri di pagina sono cambiati. Ricostruisci il sommario dai nomi dei file divisi e dai relativi conteggi di pagine. Il nuovo sommario riflette accuratamente la struttura del documento diviso.
La ricostruzione dei segnalibri PDF dopo la divisione ripristina la navigazione del documento.
Includere il sommario ricostruito come file separato o come prima pagina del primo file diviso.
Conservazione dei riferimenti incrociati tra file divisi
Riferimenti incrociati interni, come "vedi Capitolo 3," ora potrebbe fare riferimento al contenuto di un file diverso. Converti i riferimenti incrociati interni in riferimenti a file esterni o aggiungi una nota che indica quale file contiene il contenuto di riferimento.
La gestione dei riferimenti incrociati Strumenti PDF dopo la suddivisione garantisce che i riferimenti rimangano funzionali per il lettore.
Utilizzo del lookahead negativo per evitare false corrispondenze
Un modello regex può utilizzare il lookahead negativo per evitare la corrispondenza di testo simile a un capitolo che non è effettivamente un'intestazione di capitolo. Ad esempio, escludi le corrispondenze in cui l'intestazione è seguita da determinati schemi che indicano che si tratta di un riferimento incrociato, non dell'inizio di un capitolo.
La tecnica Split PDF negative lookahead migliora la precisione dell'espressione regolare per strutture di documenti complesse.
Suddivisione simultanea di più livelli di intestazione
Alcuni documenti hanno parti, capitoli e sezioni a diversi livelli di intestazione. Utilizza più modelli regex per dividere al livello desiderato. Dividi nelle intestazioni delle parti per sezioni di grandi dimensioni. Diviso in corrispondenza dei titoli dei capitoli per una maggiore granularità.
L'approccio di suddivisione multilivello Pagine PDF offre flessibilità nella granularità del file di output.
Unione di piccoli capitoli adiacenti dopo la divisione
Un capitolo con solo due pagine produce un file di output stranamente piccolo. Unisci piccoli capitoli adiacenti in un unico file. Imposta una soglia minima di pagina. I capitoli al di sotto della soglia vengono uniti al capitolo successivo.
L'unione post-divisione Strumenti PDF di piccoli capitoli produce file di output più bilanciati.
Gestione di documenti in cui i titoli dei capitoli variano nel formato
Non tutti i capitoli seguono lo stesso formato di intestazione. I primi capitoli possono usare "Capitolo I" mentre i capitoli successivi usano "Capitolo 10". La regex deve gestire numeri romani, numeri arabi e numeri scritti per esteso.
L'espressione regolare multiformato PDF diviso gestisce documenti con stili di intestazione dei capitoli incoerenti.
Creazione di un piano di divisione prima di eseguire la divisione
Documentare i punti di divisione pianificati, i nomi dei file di output e gli intervalli di pagine prima di eseguire la divisione. Il piano costituisce un riferimento per la verifica e una registrazione dell'operazione di frazionamento.
Il piano di suddivisione Pagine PDF è un documento di controllo qualità che previene errori durante la suddivisione automatizzata.
Utilizzo dell'output diviso per generare PDF di singoli capitoli per la stampa su richiesta
I capitoli divisi possono essere inviati individualmente ai servizi di stampa su richiesta. Ogni capitolo diventa un libretto separato. I lettori ordinano solo i capitoli di cui hanno bisogno.
L'applicazione di stampa su richiesta Strumenti PDF per la suddivisione dei capitoli riduce gli sprechi e i costi per i lettori che necessitano solo di sezioni specifiche.
Prova Dividi PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.