대부분의 PDF 분할 도구는 문서를 페이지 수로 나눕니다. 즉, N 페이지마다 분할하거나 특정 페이지 번호로 분할하거나 동일한 부분으로 분할합니다. 이 접근 방식은 문서 경계의 위치를 이미 정확히 알고 있는 경우에 작동합니다. 내부 구조를 모르는 병합된 PDF를 처리할 때, 다양한 길이와 알 수 없는 길이의 문서가 명확한 구분 페이지 없이 결합된 경우에는 완전히 실패합니다. 페이지 수 접근 방식을 사용하면 한 문서가 끝나고 다음 문서가 시작되는 위치를 추측해야 하며, 잘못된 추측은 문서를 반으로 자르거나 한 문서의 끝 부분을 다음 문서의 머리 부분과 병합하게 됩니다.
근본적으로 더 안정적인 접근 방식은 한 소스 문서에서 다음 소스 문서로의 전환을 알리는 페이지 레이아웃 방향, 콘텐츠 밀도 또는 서식의 변경 사항을 감지합니다. 이러한 구조적 단서는 거의 모든 병합된 PDF에 존재합니다. 왜냐하면 일반 독자가 알아차리지 못할 만큼 미묘한 차이가 있는 경우에도 소스 문서마다 서식 특성이 항상 다르기 때문입니다. 이러한 신호를 식별하는 방법을 배우면 PDF 분할이 추측에서 체계적인 프로세스로 변환됩니다.
문서 경계를 나타내는 레이아웃 기반 신호
여러 문서가 단일 PDF로 병합되면 각 소스 문서에는 고유한 서식 DNA가 포함됩니다. 문서 A는 여백이 1인치인 Letter 크기 페이지, Times New Roman의 12포인트 본문 텍스트, 모든 페이지에 회사 로고가 포함된 헤더를 사용할 수 있습니다. 문서 B는 동일한 Letter 크기 페이지를 사용할 수 있지만 여백이 더 좁고 11포인트 Calibri 텍스트가 있으며 머리글이 전혀 없습니다. 문서 C는 스프레드시트 부록의 경우 가로 방향으로 완전히 전환될 수 있습니다. 이러한 서식 변경은 페이지 축소판을 넘기는 사람이 즉시 확인할 수 있으며 프로그래밍 방식으로 페이지 속성을 추출할 수 있는 PDF 분석 도구를 통해 측정할 수 있습니다.
아래 표에는 문서 경계를 감지하기 위한 가장 신뢰할 수 있는 레이아웃 기반 신호와 각 신호를 평가하는 방법이 요약되어 있습니다.
| 감지 신호 | 측정 대상 | 신뢰성 수준 |
|---|---|---|
| 페이지 차원 변경 | Letter, Legal, A4 또는 사용자 정의 페이지 크기 간 전환 | 매우 높음 |
| 방향 변경 | 연속 페이지 사이에서 세로에서 가로로 또는 그 반대로 | 매우 높음 |
| 텍스트 밀도 저하 | 제목 페이지의 일반적인 페이지 영역당 문자 수 급격한 감소 | 높은 |
| 글꼴 모음 또는 크기 변경 | 새 소스 문서 형식을 나타내는 주요 글꼴 변경 | 보통의 |
| 여백 너비 변경 | 인접한 페이지 사이의 왼쪽, 오른쪽, 위쪽 또는 아래쪽 여백이 다릅니다. | 보통의 |
| 머리글 또는 바닥글 모양 | 페이지 상단 또는 하단에 반복되는 텍스트의 유무 | 존재할 때 높음 |
콘텐츠 밀도 분석을 사용하여 자연스러운 분할 지점 찾기
페이지의 텍스트 문자, 이미지 영역 및 공백의 양으로 측정되는 콘텐츠 밀도는 단일 문서 내에서 예측 가능한 패턴을 따릅니다. 일반적인 문서는 텍스트 밀도가 낮고 공백이 많은 제목 페이지로 시작됩니다. 다음 콘텐츠 페이지는 일관되고 훨씬 더 높은 텍스트 밀도를 갖습니다. 문서가 서명 페이지나 부록으로 끝나면 그 시점에서 밀도가 다시 변경될 수 있습니다. 여러 문서가 병합되면 이 밀도 패턴은 새 문서마다 반복됩니다. 즉, 제목 페이지의 낮은 밀도 계곡과 콘텐츠 페이지 전반에 걸쳐 더 높고 일관된 밀도의 고원이 이어집니다.
페이지당 콘텐츠 밀도를 측정할 수 있는 소프트웨어는 이러한 패턴 반복을 식별하고 이를 후보 분할 지점으로 표시할 수 있습니다. 병합된 PDF의 밀도 그래프는 각각 콘텐츠 페이지와 제목 페이지에 해당하는 최고점과 최저점을 보여줍니다. 밀도가 급격히 떨어지는 계곡이 분할 지점 후보입니다. 이러한 계곡이 페이지 크기 변경이나 글꼴 이동과 같은 다른 구조적 변경 사항과 일치하면 페이지가 문서 경계를 나타낼 가능성이 매우 높습니다. WukongPDF의 PDF 분할 도구는 식별된 각 경계에서 분할 지점을 표시하고 각 세그먼트를 별도의 적절한 이름이 지정된 PDF로 추출할 수 있는 시각적 페이지 선택기를 제공합니다.
방향 변경은 가장 강력한 경계 신호
페이지 방향이 세로에서 가로로 또는 그 반대로 변경되는 것은 거의 항상 소스 문서 간의 전환을 나타내기 때문에 문서 경계에 대한 가장 신뢰할 수 있는 단일 신호입니다. 단일 문서 내에서 페이지는 거의 항상 일관된 방향을 유지합니다. 세로 보고서에 삽입된 가로 스프레드시트, 세로 신청서와 혼합된 가로 인증서, 세로 사양 페이지와 혼합된 가로 건축 도면은 모두 방향 변경 시 새 소스 문서가 시작된다는 명확한 표시입니다.
방향 변경 시 분할은 매우 간단합니다. 병합된 PDF의 페이지 축소판을 스크롤하고 방향이 이전 페이지와 다른 모든 페이지를 확인합니다. 이러한 각 페이지는 새 문서의 시작을 표시합니다. 방향 변경 사이의 페이지를 개별 파일로 추출합니다. 병합된 PDF에 모두 동일한 문서에 속하는 세로 및 가로 페이지가 혼합되어 있는 경우(드물지만 접힌 페이지가 있는 고도로 형식화된 보고서에서는 가능함) 분할을 실행하기 전에 텍스트 밀도 및 글꼴 일관성과 같은 다른 신호를 확인하여 분할 지점을 확인하십시오.
신뢰할 수 있는 자동 분할을 위한 여러 신호 결합
모든 경우에 문서 경계를 감지하는 데 있어 단일 레이아웃 신호를 완벽하게 신뢰할 수는 없습니다. 세로 문서 내의 가로 페이지는 새 문서의 시작이 아니라 동일한 보고서 내의 차트이거나 접힌 페이지일 수 있습니다. 밀도 감소는 별도 파일의 시작이 아니라 긴 문서 내의 장 제목 페이지일 수 있습니다. 가장 신뢰할 수 있는 자동 분할 접근 방식은 여러 신호를 결합합니다. 분할 지점은 두 개 이상의 레이아웃 신호가 동일한 페이지에서 동시에 변경되는 경우에만 확인됩니다. 방향 변경과 글꼴 변경은 새 문서임을 강력하게 나타냅니다. 페이지 크기 변경과 결합된 밀도 저하도 마찬가지로 신뢰할 수 있습니다.
모든 단일 페이지를 수동으로 검토하는 것이 실용적이지 않은 대규모 병합 PDF의 경우 결합 신호 접근 방식은 허용 가능한 낮은 오류율로 자동 분할을 제공합니다. 분할 도구는 각 페이지를 처리하고 모든 레이아웃 신호를 계산하며 여러 신호가 동시에 변경되는 페이지에만 플래그를 지정합니다. 플래그가 지정된 페이지만 빠르게 수동으로 검토하고 각 페이지가 실제로 문서 경계를 나타내는지 확인하는 것은 문서의 모든 페이지를 검토하는 데 필요한 시간의 일부에 불과합니다. 자동화된 다중 신호 감지와 그에 따른 표적화된 인간 검증의 PDF Batch 처리 파이프라인은 자동화 속도와 인간 판단의 정확성을 결합합니다.