De meeste tools voor het splitsen van PDF's verdelen een document op basis van het aantal pagina's: splitsen na elke N pagina's, splitsen op specifieke paginanummers of splitsen in gelijke delen. Deze aanpak werkt als u al precies weet waar de documentgrenzen zich bevinden. Het mislukt volledig als je te maken hebt met een samengevoegde PDF waarvan je de interne structuur niet kent, waarbij documenten van verschillende en onbekende lengtes werden gecombineerd zonder duidelijke scheidingspagina's. De benadering van het aantal pagina's dwingt je om te raden waar het ene document eindigt en het volgende begint, en een verkeerde gok snijdt een document doormidden of voegt de staart van het ene document samen met de kop van het volgende.
Een fundamenteel betrouwbaardere aanpak detecteert veranderingen in de oriëntatie van de pagina-indeling, de inhoudsdichtheid of de opmaak die een overgang van het ene brondocument naar het andere signaleren. Deze structurele kenmerken zijn aanwezig in bijna elke samengevoegde PDF, omdat verschillende brondocumenten steevast verschillende opmaakkenmerken hebben, zelfs als die verschillen zo subtiel zijn dat een gewone lezer ze niet zou opmerken. Door deze signalen te leren identificeren, verandert het splitsen van PDF's van giswerk in een methodisch proces.
Op lay-out gebaseerde signalen die documentgrenzen aangeven
Wanneer meerdere documenten worden samengevoegd tot één PDF, heeft elk brondocument zijn eigen opmaak-DNA. Document A kan pagina's van Letter-formaat gebruiken met marges van één inch, 12-punts hoofdtekst in Times New Roman en een koptekst met een bedrijfslogo op elke pagina. Document B gebruikt mogelijk dezelfde pagina's in Letter-formaat, maar met smallere marges, 11-punts Calibri-tekst en helemaal geen koptekst. Document C kan voor een spreadsheetbijlage mogelijk volledig overschakelen naar de liggende stand. Deze opmaakverschuivingen zijn onmiddellijk zichtbaar voor een mens die door paginaminiaturen bladert, en ze zijn meetbaar met PDF-analysetools die pagina-eigenschappen programmatisch kunnen extraheren.
De onderstaande tabel vat de meest betrouwbare op lay-out gebaseerde signalen samen voor het detecteren van documentgrenzen en hoe deze te evalueren.
| Detectiesignaal | Wat het meet | Betrouwbaarheidsniveau |
|---|---|---|
| Wijziging van de paginadimensie | Schakel tussen Letter-, Legal-, A4- of aangepaste paginaformaten | Zeer hoog |
| Oriëntatie verandering | Portret naar landschap of omgekeerd tussen opeenvolgende pagina's | Zeer hoog |
| Daling van de tekstdichtheid | Sterke afname van het aantal tekens per paginagebied, typisch voor titelpagina's | Hoog |
| Lettertypefamilie of grootteverschuiving | Verandering in het dominante lettertype, wat een nieuwe opmaak van het brondocument aangeeft | Gematigd |
| Wijziging van de margebreedte | Verschillende linker-, rechter-, boven- of ondermarges tussen aangrenzende pagina's | Gematigd |
| Weergave van kop- of voettekst | Aanwezigheid of afwezigheid van terugkerende tekst bovenaan of onderaan de pagina | Hoog indien aanwezig |
Analyse van inhoudsdichtheid gebruiken om natuurlijke splitsingspunten te vinden
De inhoudsdichtheid, gemeten als de hoeveelheid teksttekens, het afbeeldingsgebied en de witruimte op een pagina, volgt voorspelbare patronen binnen één document. Een typisch document begint met een titelpagina met een lage tekstdichtheid en veel witruimte. De inhoudspagina's die volgen hebben een consistente en aanzienlijk hogere tekstdichtheid. Als het document eindigt met een handtekeningpagina of een bijlage, kan de dichtheid op dat moment weer veranderen. Wanneer meerdere documenten worden samengevoegd, herhaalt dit dichtheidspatroon zich bij elk nieuw document: een dal van lage dichtheid op de titelpagina, gevolgd door een plateau van hogere en consistente dichtheid op de inhoudspagina's.
Software die de inhoudsdichtheid per pagina kan meten, kan deze patroonherhalingen identificeren en markeren als mogelijke splitsingspunten. Een dichtheidsgrafiek van de samengevoegde PDF toont pieken en dalen die overeenkomen met respectievelijk inhoudspagina's en titelpagina's. De valleien waar de dichtheid scherp daalt, zijn de kandidaat-splitsingspunten. Wanneer deze valleien samenvallen met andere structurele veranderingen, zoals een verandering in de paginagrootte of een lettertypeverschuiving, is de kans dat de pagina een documentgrens vertegenwoordigt extreem hoog. De tool PDF splitsen van WukongPDF biedt een visuele paginakiezer waarmee u splitspunten kunt markeren op elke geïdentificeerde grens en elk segment kunt extraheren als een afzonderlijke PDF met de juiste naam.
Oriëntatieveranderingen als het sterkste grenssignaal
Een verandering in de paginarichting van staand naar liggend of omgekeerd is het meest betrouwbare signaal van een documentgrens, omdat dit bijna altijd een wisseling tussen brondocumenten aangeeft. Binnen een enkel document behouden de pagina's vrijwel altijd een consistente richting. Een liggend spreadsheet dat in een verder staand rapport wordt ingevoegd, een liggend certificaat gemengd met portretaanvraagformulieren, en landschapsarchitectuurtekeningen gemengd met portretspecificatiepagina's zijn allemaal duidelijke indicatoren dat een nieuw brondocument begint bij de verandering van richting.
Splitsen bij oriëntatieveranderingen is verfrissend eenvoudig. Blader door de paginaminiaturen van de samengevoegde PDF en noteer elke pagina waarvan de richting verschilt van de voorgaande pagina. Elk van deze pagina's markeert het waarschijnlijke begin van een nieuw document. Extraheer de pagina's tussen oriëntatiewijzigingen als afzonderlijke bestanden. Als de samengevoegde PDF een combinatie van staande en liggende pagina's bevat die allemaal tot hetzelfde document behoren, wat zeldzaam is maar mogelijk is in sterk opgemaakte rapporten met uitklapbare pagina's, verifieer dan de splitsingspunten door andere signalen te controleren, zoals tekstdichtheid en lettertypeconsistentie, voordat u tot de splitsing overgaat.
Het combineren van meerdere signalen voor betrouwbare geautomatiseerde splitsing
Geen enkel lay-outsignaal is in alle gevallen volkomen betrouwbaar voor het detecteren van documentgrenzen. Een liggende pagina in een staand document kan een diagram of uitvouwbare pagina binnen hetzelfde rapport zijn, en niet het begin van een nieuw document. Een dichtheidsdaling kan een titelpagina van een hoofdstuk in een langer document zijn, en niet het begin van een afzonderlijk bestand. De meest betrouwbare geautomatiseerde splitsingsaanpak combineert meerdere signalen: een splitsingspunt wordt alleen bevestigd wanneer twee of meer lay-outsignalen tegelijkertijd op dezelfde pagina veranderen. Een verandering van richting plus een verandering van lettertype duidt sterk op een nieuw document. Een daling van de dichtheid in combinatie met een verandering van de paginaafmetingen is eveneens betrouwbaar.
Voor grote samengevoegde PDF's waarbij handmatige beoordeling van elke afzonderlijke pagina onpraktisch is, zorgt een gecombineerde signaalaanpak voor automatische splitsing met acceptabel lage foutpercentages. De splitstool verwerkt elke pagina, berekent alle lay-outsignalen en markeert alleen die pagina's waar meerdere signalen tegelijk veranderen. Een snelle handmatige beoordeling van alleen de gemarkeerde pagina's, waarbij u elke pagina bekijkt om te bevestigen dat deze daadwerkelijk een documentgrens vertegenwoordigt, neemt een klein deel van de tijd in beslag die nodig is om elke pagina in het document te beoordelen. De PDF Batch-verwerkingspijplijn van geautomatiseerde detectie van meerdere signalen gevolgd door gerichte menselijke verificatie combineert de snelheid van automatisering met de nauwkeurigheid van menselijk oordeel.