Dzielenie dużego pliku PDF na pojedyncze dokumenty jest proste, gdy każdy plik zaczyna się od pustej strony lub numerowanego nagłówka rozdziału. Wyzwanie całkowicie się zmienia, gdy dokumenty w pliku PDF są oddzielone jedynie wskazówkami wizualnymi: stroną tytułową z logo firmy, arkuszem tytułowym napisanym większą czcionką lub charakterystycznym blokiem nagłówka, który człowiek może natychmiast rozpoznać, ale zautomatyzowane narzędzia mają trudności z wykryciem. W tym artykule omówiono praktyczne metody dzielenia pliku PDF poprzez rozpoznawanie stron tytułowych i arkuszy tytułowych, od metod ręcznych odpowiednich dla kilku dokumentów po techniki półautomatyczne skalujące się do setek stron.
Dlaczego standardowe dzielenie liczby stron nie działa w przypadku partii dokumentów
Odpowiedź leży w tym, jak bardzo różnią się dokumenty.
Większość narzędzi do dzielenia plików PDF działa na prostej zasadzie: podziel plik po każdych N stronach lub pod określonymi numerami stron, które wprowadzisz. Działa to, gdy każdy dokument w partii ma tę samą liczbę stron. Stos jednostronicowych faktur jest wyraźnie podzielony wzdłuż granic każdej strony. Zbiór trzystronicowych umów jest podzielony równomiernie na co trzecią stronę. Kiedy jednak dokumenty różnią się długością, co ma miejsce w przypadku niemal każdej rzeczywistej partii raportów, wniosków lub korespondencji, dzielenie według liczby stron albo przecina dokumenty na pół, albo łączy końcówkę jednego dokumentu z nagłówkiem następnego.
Strony tytułowe i arkusze tytułowe stanowią naturalne granice między dokumentami w scalonym pliku PDF, ale są to granice wizualne, a nie strukturalne. Plik PDF przechowuje je jako tego samego rodzaju obiekty strony, co każda inna strona. Nie ma flagi metadanych mówiącej, że ta strona jest okładką lub ten akapit jest tytułem. Oprogramowanie do podziału musi zostać poinformowane, czego ma szukać, a instrukcje muszą być na tyle szczegółowe, aby oprogramowanie mogło odróżnić stronę tytułową od zwykłej strony z treścią, która zawiera duży nagłówek lub logo.
Konsekwencje błędnego podziału są więcej niż niewygodne. Podział, który przecina wielostronicowy dokument na pół, tworzy dwa niekompletne pliki, z których żaden sam w sobie nie ma sensu. Podział, który łączy dwa dokumenty, tworzy plik, w którym czytelnik widzi informacje innej osoby natychmiast po zakończeniu oczekiwanej zawartości. W przypadku dokumentów prawnych, medycznych lub finansowych ten drugi scenariusz oznacza naruszenie poufności. Właściwy podział ma znaczenie zarówno dla użyteczności, jak i zgodności.
Wypróbuj opcję Podziel plik PDF
Nie wymaga instalacji. Działa bezpośrednio w Twojej przeglądarce.
Metody ręczne: wykrywanie stron tytułowych oczami
W przypadku partii składających się z około dwudziestu dokumentów ręczne dzielenie jest często szybsze niż konfigurowanie rozwiązania automatycznego. Otwórz scalony plik PDF i przewiń miniatury stron na pasku bocznym. Strony tytułowe i arkusze tytułowe wyróżniają się wizualnie, ponieważ zazwyczaj zawierają więcej wolnej przestrzeni, większy tekst, logo lub inną gęstość układu niż znajdujące się po nich strony z treścią. Kliknij pierwszą stronę każdego dokumentu, kliknij ostatnią stronę z wciśniętym klawiszem Shift i wyodrębnij zaznaczenie jako nowy plik.
Narzędzie Split PDF WukongPDF udostępnia wizualny selektor stron, który umożliwia efektywne ręczne dzielenie. Wszystkie strony widzisz jako miniatury. Kliknij, aby oznaczyć punkty podziału na każdej stronie tytułowej, a narzędzie wyodrębni każdy segment jako osobny plik PDF o odpowiedniej nazwie. W przypadku 100-stronicowego pliku zawierającego 15 dokumentów o różnej długości cały proces trwa niecałe dwie minuty. Interfejs wizualny eliminuje zgadywanie numerów stron i pozwala zweryfikować każdy punkt podziału przed przystąpieniem do wyodrębniania.
Przydatny zwyczaj ręcznego podziału: podczas określania zakresu stron każdego dokumentu zwróć uwagę na tytuł lub numer referencyjny strony tytułowej. Użyj tego jako nazwy pliku wyjściowego. Folder pełen plików o nazwach split-1.pdf, split-2.pdf jest tylko nieznacznie bardziej użyteczny niż oryginalny scalony plik. Pliki o nazwach Smith-Application.pdf, Jones-Contract.pdf są od razu gotowe do użycia.
Podział półautomatyczny: wykrywanie wzorców tekstu
Automatyzacja skaluje się tam, gdzie wysiłek ręczny nie jest możliwy.
Gdy partia jest zbyt duża, aby można ją było podzielić ręcznie, kolejnym krokiem jest wykrywanie w oparciu o tekst. Większość narzędzi PDF z możliwością podziału wsadowego może wyszukiwać określone ciągi tekstowe i dzielić plik za każdym razem, gdy ten tekst się pojawi. Jeśli każda strona tytułowa zawiera spójne sformułowanie, np. „Formularz wniosku”, „Poufne”, „Strona 1 z” lub numer konta w przewidywalnym formacie, wyrażenie to staje się wyzwalaczem podziału. Narzędzie skanuje warstwę tekstową każdej strony i po znalezieniu ciągu docelowego wstawia punkt podziału przed tą stroną.
Niezawodność podziału na podstawie tekstu zależy od dwóch czynników. Po pierwsze, tekst wyzwalacza musi pojawiać się na każdej stronie tytułowej i nigdy nie pojawiać się na stronie z treścią. Wyrażenie takie jak „Strona 1” wydaje się dobrym wyzwalaczem, dopóki strona 6 dokumentu nie będzie zawierała również tekstu „Szczegóły znajdziesz na stronie 1”. Po drugie, plik PDF musi zawierać warstwę tekstową. Zeskanowane pliki PDF bez OCR całkowicie pokonają podział oparty na tekście, ponieważ tekst strony tytułowej istnieje tylko w postaci pikseli, a nie w postaci znaków, które można przeszukiwać. Uruchomienie OCR na scalonym pliku przed podziałem rozwiązuje ten problem, dodając krok, ale zachowując automatyzację.
Wykrywanie struktury: użycie rozmiaru czcionki i gęstości strony
Bardziej zaawansowane podejście analizuje strukturę wizualną każdej strony, zamiast szukać konkretnego tekstu. Strony tytułowe i arkusze tytułowe mają zwykle wymiernie różne cechy niż strony z treścią. Gęstość tekstu jest mniejsza ze względu na białą przestrzeń wokół tytułu. Średni rozmiar czcionki jest większy ze względu na nagłówek. Strona może zawierać obraz, na przykład logo, a strony zawierające wyłącznie tekst. Oprogramowanie mierzące te właściwości może oznaczać prawdopodobne strony tytułowe bez konieczności sprawdzania, jakie słowa się na nich pojawiają.
Ta metoda sprawdza się w przypadkach, gdy strony tytułowe różnią się sformułowaniem, ale mają spójny układ. Seria raportów klientów, gdzie na każdej stronie tytułowej widnieje informacja „Przygotowane dla [nazwa klienta]”, na każdej okładce znajduje się inny tekst. Dzielenie na podstawie tekstu kończy się niepowodzeniem, ponieważ nie ma wspólnego ciągu do wyszukania. Podział na podstawie struktury jest skuteczny, ponieważ każda okładka wykorzystuje ten sam szablon z tymi samymi rozmiarami czcionek i tym samym umiejscowieniem logo. Spójność leży w projekcie, a nie w słowach, a wykrywanie strukturalne wychwytuje to, czego brakuje wyszukiwarce tekstowej.
Przygotowanie plików przed podziałem w celu uzyskania najlepszych wyników
Kilka kroków przygotowawczych przed podziałem radykalnie zwiększa skuteczność każdej metody. Po pierwsze, jeśli scalony plik PDF pochodzi ze skanera, uruchom OCR, aby utworzyć warstwę tekstową z możliwością przeszukiwania. Nawet jeśli planujesz dzielić ręcznie, dzięki przeszukiwaniu tekstu możesz przeskakiwać do określonych stron, wyszukując nazwiska lub numery referencyjne, zamiast przewijać miniatury. Następnie sprawdź, czy scalony plik zawiera strony, które nie powinny być dzielone na osobne dokumenty. Przed podziałem należy usunąć strony tytułowe faksu, odcinki rozsyłania i puste strony oddzielające dokumenty, a nie przekształcać je w osobne, jednostronicowe pliki wyjściowe.
Po trzecie, zeskanuj dokument przy małym powiększeniu, aby sprawdzić, czy każda strona tytułowa ma tę samą orientację. Pojedyncza pozioma strona tytułowa w partii dokumentów o orientacji pionowej może spowodować nieprawidłowe wyrównanie narzędzia podziału, szczególnie jeśli wykorzystuje ono wykrywanie strukturalne na podstawie wymiarów strony. Normalizuj orientację strony przed podziałem. Te kroki wydłużają proces o kilka minut, ale zapobiegają frustracji związanej z odkrywaniem źle przyciętych dokumentów po zakończeniu podziału i usunięciu oryginalnego scalanego pliku. Prace przygotowawcze PDF Pages opłacają się w postaci czystych, dokładnych plików wyjściowych, które nie wymagają ręcznego czyszczenia.
Systematyczne nazewnictwo plików wyjściowych podczas podziału
Wartość podziału scalonego pliku PDF wynika nie tylko z oddzielenia stron, ale także z utworzenia plików wyjściowych, które można natychmiast zidentyfikować. Dobrze zaplanowana konwencja nazewnictwa zastosowana podczas podziału chroni odbiorcę przed koniecznością otwierania każdego pliku w celu sprawdzenia jego zawartości. Jeśli strony tytułowe zawierają spójny element, taki jak numer faktury, nazwa klienta lub kod referencyjny dokumentu, wyodrębnij te dane podczas procesu podziału i użyj ich jako nazwy pliku. Większość narzędzi do dzielenia obsługujących wykrywanie na podstawie tekstu obsługuje również użycie wykrytego tekstu jako nazwy pliku wyjściowego, zamieniając partię ogólnych plików podzielonych w odpowiednio oznaczony zestaw dokumentów.
W przypadku partii, w których strony tytułowe nie mają wspólnego wzoru tekstu, przed rozpoczęciem podziału należy ustalić konwencję nazewnictwa. Format taki jak NazwaKlienta-TypDokumentu-Data.pdf zastosowany konsekwentnie we wszystkich plikach wyjściowych tworzy bibliotekę dokumentów z możliwością sortowania i przeszukiwania na podstawie tego, co wcześniej było nieprzezroczystym scalonym plikiem. Krok nazewnictwa zajmuje kilka sekund dla każdego pliku i dodaje trwałą wartość organizacyjną. Folder zawierający dobrze nazwane pojedyncze pliki PDF to użyteczne archiwum dokumentów. Folder kolejno ponumerowanych podzielonych plików to zagadka, którą ktoś będzie musiał rozwiązać później. Proces podziału PDF Partia jest zakończony tylko wtedy, gdy każdy plik wyjściowy ma prawidłową nazwę i jest poprawnie zorganizowany.
Czas poświęcony na naukę dzielenia plików PDF poprzez wykrywanie strony tytułowej zwraca się w przypadku wielu typów dokumentów, wykraczając poza początkowy przypadek użycia. Pakiety dokumentów prawnych, partie faktur, zbiory dokumentacji studenckiej, kompilacje dokumentacji medycznej i zestawy umów mają ten sam wzór mieszanych dokumentów oddzielonych rozpoznawalnymi pierwszymi stronami. Po ustaleniu niezawodnego przepływu pracy związanego z dzieleniem jednego typu dokumentu, dostosowanie go do innego wymaga jedynie zidentyfikowania unikalnych cech nowych stron tytułowych. Umiejętność szybko przenosi się z jednego typu dokumentu na drugi, a wzrost wydajności zwiększa się wraz z pomyślnym przetworzeniem każdej nowej partii.
Wypróbuj opcję Podziel plik PDF
Nie wymaga instalacji. Działa bezpośrednio w Twojej przeglądarce.