Een document van 500 pagina's moet in hoofdstukken worden opgesplitst. De hoofdstukken worden gemarkeerd door consistente koptekst, zoals "Hoofdstuk 1" "Hoofdstuk 2," enzovoort. Handmatig door 500 pagina's scrollen om elke hoofdstukkop te vinden en deze op te splitsen is vervelend. Door een reguliere-expressiepatroon te gebruiken om hoofdstukkoppen te lokaliseren en het document bij elke overeenkomst automatisch te splitsen, wordt een uur handmatig werk omgezet in een paar seconden geautomatiseerde verwerking.
Bij het splitsen van een PDF op basis van tekstpatroonmatching worden reguliere expressies gebruikt om de documenttekst te doorzoeken op specifieke patronen en bij elke overeenkomst te splitsen. Het patroon kan overeenkomen met hoofdstukkoppen, sectietitels of terugkerende tekst die een splitspunt markeert. Deze methode werkt wanneer het document op elke gesplitste locatie consistente, machinaal leesbare tekstmarkeringen heeft.
Voor de bewerking PDF splitsen op regex-patroon moet het document selecteerbare tekst bevatten. Gescande documenten zonder OCR moeten eerst worden geOCRed.
Het Regex-patroon maken
Het patroon moet exact overeenkomen met de hoofdstuktitels en met niets anders. Voor koppen als "Hoofdstuk 1," "Hoofdstuk 2," de regex zou "Hoofdstuk \d+" kunnen zijn. De backslash-d-plus komt overeen met een of meer cijfers. Test de regex op een voorbeeld van de tekst voordat u deze op het hele document uitvoert. Een patroon dat te breed is, zal zich op onbedoelde plaatsen splitsen.
Het uitvoeren van de splitsing
Gebruik een PDF-splitstool die het matchen van tekstpatronen ondersteunt. Voer het regex-patroon in. De tool doorzoekt het document, identificeert elke matchlocatie en splitst zich op die punten. Elk uitvoerbestand bevat de pagina's van de ene overeenkomst tot de volgende.
WukongPDF splittools kunnen documenten verwerken. Voor het op regex gebaseerde splitsen van PDF-pagina's is een tool vereist die patroonmatching ondersteunt.
Nauwkeurigheid van de splitsing verifiëren
Open na het splitsen elk uitvoerbestand en controleer of het begint bij een hoofdstukkop en eindigt vóór de volgende hoofdstukkop. Controleer de eerste en laatste pagina's van elk bestand. Bij een verkeerd uitgelijnde splitsing wordt inhoud uit het verkeerde hoofdstuk aan het begin of einde weergegeven.
Ontsnappen aan speciale tekens in Regex-patronen
Hoofdstukkoppen kunnen speciale regex-tekens bevatten, zoals punten, haakjes of haakjes. Ontsnap aan deze karakters met een backslash in het patroon. Een letterlijke punt in "Hoofdstuk 1." moet worden geschreven als "Hoofdstuk 1\." in de regex.
De ontsnapping van de Split PDF-regex voorkomt valse overeenkomsten en zorgt ervoor dat het patroon alleen overeenkomt met de bedoelde tekst.
Omgaan met hoofdstukkoppen met meerdere regels
Sommige hoofdstukkoppen beslaan meerdere regels. Een regex die regel voor regel zoekt, komt niet overeen met een kop die over regels is verdeeld. Gebruik een regex-modus met meerdere regels die de volledige paginatekst als één tekenreeks behandelt.
De meerregelige regex-modus van PDF Pages voor hoofdstukdetectie verwerkt koppen die niet op één regel passen.
Een hoofdstukindex maken na het splitsen
Genereer na het splitsen een hoofdstukindex waarin elk uitvoerbestand, de hoofdstuktitel en het paginabereik worden vermeld. De index helpt lezers bij het navigeren door de gesplitste documentenset.
Het maken van de PDF Tools-hoofdstukindex na het splitsen van regex biedt een kaart van de uitvoerbestanden.
Regex-patronen testen met online Regex-testers
Voordat u een regex-patroon op een PDF toepast, test u het op een voorbeeld van de documenttekst. Online regex-testers laten precies zien met welke tekst het patroon overeenkomt. De visuele feedback bevestigt dat het patroon correct is voordat honderden pagina's worden verwerkt.
De teststap voor het splitsen van PDF-regex voorkomt de frustratie van een splitsing die rommelige uitvoer oplevert omdat het patroon overeenkomt met onbedoelde tekst.
Exporteer een voorbeeld van de PDF-tekst naar een tekstbestand. Test de regex op het tekstbestand. Pas het alleen toe op de PDF nadat u hebt bevestigd dat de overeenkomsten correct zijn.
Vastleggroepen gebruiken om hoofdstuktitels te extraheren
Een regex-patroon met capture-groepen kan niet alleen de gesplitste locatie extraheren, maar ook de hoofdstuktitel. De vastgelegde titel wordt de uitvoerbestandsnaam. Een patroon als "Hoofdstuk (\d+): (.+)" legt zowel het hoofdstuknummer als de titel vast.
De extractie van PDF-pagina's voor het vastleggen van groepen automatiseert de bestandsnaamgeving tijdens het splitsen. Elk uitvoerbestand krijgt een beschrijvende naam op basis van de hoofdstuktitel.
Controleer of de vastgelegde titels geldige bestandsnamen zijn. Verwijder of vervang tekens die bestandssystemen niet in bestandsnamen accepteren.
Voor- en achterzaken afzonderlijk behandelen
Documenten bevatten vaak voorwerk, inhoudsopgave, voorwoord en achterwerk, bijlagen en index, die niet in hoofdstukken mogen worden opgesplitst. Sluit deze secties uit van de splitsing. Verwerk ze als afzonderlijke bestanden of voeg ze samen met aangrenzende hoofdstukken.
Voor de verwerking van de voor- en achterkant van een gesplitst PDF-bestand moet de inhoud vóór de eerste hoofdstukkop en na de laatste hoofdstukkop worden geïdentificeerd.
Gebruik een afzonderlijke regex om de grenzen van de voor- en achterkwestie te identificeren. Splits deze secties handmatig als automatische detectie onbetrouwbaar is.
Een inhoudsopgave reconstrueren uit gesplitste bestanden
Na het splitsen zijn de paginaverwijzingen naar de oorspronkelijke inhoudsopgave verkeerd omdat de paginanummers zijn gewijzigd. Bouw de inhoudsopgave opnieuw op op basis van de gesplitste bestandsnamen en hun paginatellingen. De nieuwe inhoudsopgave weerspiegelt nauwkeurig de gesplitste documentstructuur.
De reconstructie van PDF-bladwijzers na het splitsen herstelt de documentnavigatie.
Neem de opnieuw opgebouwde inhoudsopgave op als een afzonderlijk bestand of als de eerste pagina van het eerste gesplitste bestand.
Kruisverwijzingen tussen gesplitste bestanden behouden
Interne kruisverwijzingen, zoals "zie Hoofdstuk 3," kan nu verwijzen naar inhoud in een ander bestand. Converteer interne kruisverwijzingen naar externe bestandsverwijzingen of voeg een notitie toe die aangeeft welk bestand de inhoud bevat waarnaar wordt verwezen.
Het PDF Tools kruisverwijzingsbeheer na het splitsen zorgt ervoor dat referenties functioneel blijven voor de lezer.
Negatieve lookahead gebruiken om valse overeenkomsten te voorkomen
Een regex-patroon kan negatieve lookahead gebruiken om te voorkomen dat hoofdstukachtige tekst overeenkomt die niet echt een hoofdstukkop is. Sluit bijvoorbeeld overeenkomsten uit waarbij de kop wordt gevolgd door bepaalde patronen die aangeven dat het om een kruisverwijzing gaat en niet om een hoofdstukbegin.
De negatieve lookahead-techniek Split PDF verbetert de regex-precisie voor complexe documentstructuren.
Gelijktijdig splitsen op meerdere kopniveaus
Sommige documenten hebben delen, hoofdstukken en secties op verschillende kopniveaus. Gebruik meerdere regex-patronen om op het gewenste niveau te splitsen. Splitsen bij onderdeelkoppen voor grote secties. Opgesplitst in hoofdstukkoppen voor een fijnere granulariteit.
De PDF Pages-benadering voor het splitsen op meerdere niveaus biedt flexibiliteit in de granulariteit van het uitvoerbestand.
Aangrenzende kleine hoofdstukken samenvoegen na het splitsen
Een hoofdstuk met slechts twee pagina's levert een onhandig klein uitvoerbestand op. Voeg aangrenzende kleine hoofdstukken samen tot één bestand. Stel een minimale paginadrempel in. Hoofdstukken onder de drempel worden samengevoegd met het volgende hoofdstuk.
De post-split-samenvoeging van kleine hoofdstukken met PDF Tools levert evenwichtigere uitvoerbestanden op.
Omgaan met documenten waarbij de hoofdstukkoppen qua formaat variëren
Niet alle hoofdstukken volgen hetzelfde kopformaat. In de eerste hoofdstukken kan "Hoofdstuk I" terwijl latere hoofdstukken "Hoofdstuk 10" gebruiken. De regex moet Romeinse cijfers, Arabische cijfers en gespelde cijfers verwerken.
De regex voor meerdere formaten Split PDF verwerkt documenten met inconsistente hoofdstukkopstijlen.
Een splitsingsplan maken voordat u de splitsing uitvoert
Documenteer de geplande splitsingspunten, de uitvoerbestandsnamen en het paginabereik voordat u de splitsing uitvoert. Het plan is een referentie ter verificatie en een vastlegging van de splitsingsoperatie.
Het PDF Pages splitsingsplan is een kwaliteitscontroledocument dat fouten tijdens het automatisch splitsen voorkomt.
De gesplitste uitvoer gebruiken om PDF's van afzonderlijke hoofdstukken te genereren voor print-on-demand
Gesplitste hoofdstukken kunnen afzonderlijk worden ingediend bij print-on-demand-services. Elk hoofdstuk wordt een apart boekje. Lezers bestellen alleen de hoofdstukken die ze nodig hebben.
De print-on-demand toepassing van PDF Tools voor het splitsen van hoofdstukken vermindert verspilling en kosten voor lezers die alleen specifieke secties nodig hebben.