Większość narzędzi do dzielenia plików PDF dzieli dokument według liczby stron: dzieli po każdych N stronach, dzieli według określonych numerów stron lub dzieli na równe części. To podejście sprawdza się, gdy już dokładnie wiesz, gdzie znajdują się granice dokumentu. Zawodzi to całkowicie, gdy mamy do czynienia z połączonym plikiem PDF, którego wewnętrznej struktury nie znamy, gdzie połączono dokumenty o różnej i nieznanej długości bez wyraźnych stron oddzielających. Metoda liczenia stron zmusza Cię do odgadnięcia, gdzie kończy się jeden dokument, a zaczyna następny, a błędne przypuszczenie albo przecina dokument na pół, albo łączy końcówkę jednego dokumentu z nagłówkiem następnego.
Zasadniczo bardziej niezawodne podejście wykrywa zmiany w orientacji układu strony, gęstości treści lub formatowaniu, które sygnalizują przejście z jednego dokumentu źródłowego do drugiego. Te wskazówki strukturalne są obecne w prawie każdym scalonym pliku PDF, ponieważ różne dokumenty źródłowe niezmiennie mają różne cechy formatowania, nawet jeśli te różnice są na tyle subtelne, że zwykły czytelnik ich nie zauważy. Nauka identyfikowania tych sygnałów przekształca dzielenie plików PDF ze zgadywania w proces metodyczny.
Sygnały oparte na układzie wskazujące granice dokumentu
Kiedy wiele dokumentów jest łączonych w jeden plik PDF, każdy dokument źródłowy ma własne DNA formatowania. Dokument A może zawierać strony w formacie Letter z jednocalowymi marginesami, 12-punktowym tekstem głównym w formacie Times New Roman i nagłówkiem zawierającym logo firmy na każdej stronie. Dokument B może zawierać strony o tym samym rozmiarze Letter, ale z węższymi marginesami, 11-punktowym tekstem Calibri i bez nagłówka. Dokument C może całkowicie przełączyć się na orientację poziomą dla załącznika arkusza kalkulacyjnego. Te zmiany formatowania są natychmiast widoczne dla człowieka przeglądającego miniatury stron i można je zmierzyć za pomocą narzędzi do analizy plików PDF, które mogą programowo wyodrębnić właściwości strony.
Poniższa tabela podsumowuje najbardziej niezawodne sygnały oparte na układzie do wykrywania granic dokumentu i sposoby oceny każdego z nich.
| Sygnał detekcji | Co mierzy | Poziom niezawodności |
|---|---|---|
| Zmiana wymiaru strony | Przełączaj pomiędzy rozmiarami stron Letter, Legal, A4 lub niestandardowymi | Bardzo wysoki |
| Zmiana orientacji | Pionowo do poziomego lub odwrotnie pomiędzy kolejnymi stronami | Bardzo wysoki |
| Spadek gęstości tekstu | Ostry spadek liczby znaków na stronę, typowy dla stron tytułowych | Wysoki |
| Zmiana rodziny czcionek lub rozmiaru | Zmiana dominującej czcionki, wskazująca nowe formatowanie dokumentu źródłowego | Umiarkowany |
| Zmiana szerokości marginesu | Różne lewe, prawe, górne i dolne marginesy pomiędzy sąsiednimi stronami | Umiarkowany |
| Wygląd nagłówka lub stopki | Obecność lub brak powtarzającego się tekstu na górze lub na dole strony | Wysoki, jeśli jest obecny |
Wypróbuj opcję Podziel plik PDF
Nie wymaga instalacji. Działa bezpośrednio w Twojej przeglądarce.
Korzystanie z analizy gęstości treści w celu znalezienia naturalnych punktów podziału
Gęstość treści, mierzona jako ilość znaków tekstu, obszar obrazu i odstępy na stronie, jest zgodna z przewidywalnymi wzorami w obrębie pojedynczego dokumentu. Typowy dokument zaczyna się od strony tytułowej o małej gęstości tekstu i dużej ilości białych znaków. Następne strony z treścią mają stałą i znacznie większą gęstość tekstu. Jeżeli dokument kończy się stroną z podpisem lub załącznikiem, gęstość może w tym miejscu ponownie się zmienić. W przypadku łączenia wielu dokumentów ten wzór gęstości powtarza się w przypadku każdego nowego dokumentu: dolina niskiej gęstości na stronie tytułowej, po której następuje plateau wyższej i spójnej gęstości na stronach treści.
Oprogramowanie mierzące gęstość treści na stronie może identyfikować powtórzenia wzorców i oznaczać je jako potencjalne punkty podziału. Wykres gęstości scalonego pliku PDF przedstawia szczyty i doliny odpowiadające odpowiednio stronom treści i stronom tytułowym. Doliny, w których gęstość gwałtownie spada, są potencjalnymi punktami podziału. Kiedy te doliny zbiegają się z innymi zmianami strukturalnymi, takimi jak zmiana wymiaru strony lub przesunięcie czcionki, prawdopodobieństwo, że strona reprezentuje granicę dokumentu, jest niezwykle wysokie. Narzędzie Split PDF WukongPDF zapewnia wizualny selektor stron, który pozwala zaznaczyć punkty podziału na każdej zidentyfikowanej granicy i wyodrębnić każdy segment jako oddzielny plik PDF o właściwej nazwie.
Zmiany orientacji jako najsilniejszy sygnał graniczny
Zmiana orientacji strony z pionowej na poziomą lub odwrotnie jest najbardziej niezawodnym sygnałem granicy dokumentu, ponieważ prawie zawsze oznacza przełączenie między dokumentami źródłowymi. W ramach jednego dokumentu strony prawie zawsze zachowują spójną orientację. Arkusz kalkulacyjny w orientacji poziomej wstawiony do raportu o orientacji pionowej, certyfikat krajobrazowy zmieszany z formularzami zgłoszeniowymi w wersji pionowej oraz rysunki architektury krajobrazu zmieszane ze stronami ze specyfikacją portretu wyraźnie wskazują, że nowy dokument źródłowy rozpoczyna się w momencie zmiany orientacji.
Dzielenie przy zmianie orientacji jest odświeżająco proste. Przewiń miniatury stron połączonego pliku PDF i zwróć uwagę na każdą stronę, której orientacja różni się od strony poprzedniej. Każda z tych stron oznacza prawdopodobny początek nowego dokumentu. Wyodrębnij strony pomiędzy zmianami orientacji jako osobne pliki. Jeśli scalony plik PDF zawiera mieszankę stron w orientacji pionowej i poziomej, które należą do tego samego dokumentu, co jest rzadkie, ale możliwe w przypadku wysoce sformatowanych raportów z rozkładanymi stronami, przed przystąpieniem do podziału zweryfikuj punkty podziału, sprawdzając inne sygnały, takie jak gęstość tekstu i spójność czcionki.
Łączenie wielu sygnałów w celu niezawodnego automatycznego podziału
Żaden pojedynczy sygnał układu nie jest całkowicie niezawodny w wykrywaniu granic dokumentu w każdym przypadku. Strona pozioma w dokumencie pionowym może być wykresem lub rozkładówką w tym samym raporcie, a nie początkiem nowego dokumentu. Spadek gęstości może dotyczyć strony tytułowej rozdziału w dłuższym dokumencie, a nie początku osobnego pliku. Najbardziej niezawodna metoda automatycznego podziału łączy wiele sygnałów: punkt podziału jest potwierdzany tylko wtedy, gdy na tej samej stronie zmieniają się jednocześnie dwa lub więcej sygnałów układu. Zmiana orientacji oraz zmiana czcionki zdecydowanie wskazują na nowy dokument. Podobnie niezawodny jest spadek gęstości w połączeniu ze zmianą wymiaru strony.
W przypadku dużych scalonych plików PDF, w których ręczne przeglądanie każdej pojedynczej strony jest niepraktyczne, podejście oparte na połączonych sygnałach zapewnia automatyczne dzielenie z akceptowalnie niskim poziomem błędów. Narzędzie do podziału przetwarza każdą stronę, oblicza wszystkie sygnały dotyczące układu i oznacza tylko te strony, na których zmienia się wiele sygnałów jednocześnie. Szybki ręczny przegląd tylko oznaczonych stron i sprawdzenie każdej z nich w celu potwierdzenia, że rzeczywiście reprezentuje ona granicę dokumentu, zajmuje niewielki ułamek czasu potrzebnego na przejrzenie każdej strony w dokumencie. Proces przetwarzania PDF Batch automatycznego wykrywania wielu sygnałów, po którym następuje ukierunkowana weryfikacja przez człowieka, łączy szybkość automatyzacji z dokładnością ludzkiej oceny.
Wypróbuj opcję Podziel plik PDF
Nie wymaga instalacji. Działa bezpośrednio w Twojej przeglądarce.