A maioria das ferramentas de divisão de PDF divide um documento por contagem de páginas: dividido a cada N páginas, dividido em números de páginas específicos ou dividido em partes iguais. Essa abordagem funciona quando você já sabe exatamente onde estão localizados os limites do documento. Ele falha completamente quando você está lidando com um PDF mesclado cuja estrutura interna você não conhece, onde documentos de comprimentos variados e desconhecidos foram combinados sem páginas separadoras claras. A abordagem de contagem de páginas força você a adivinhar onde um documento termina e o próximo começa, e uma estimativa errada corta um documento ao meio ou mescla o final de um documento com o início do próximo.
Uma abordagem fundamentalmente mais confiável detecta alterações na orientação do layout da página, na densidade do conteúdo ou na formatação que sinalizam uma transição de um documento de origem para o próximo. Essas dicas estruturais estão presentes em quase todos os PDFs mesclados porque documentos de origem diferentes invariavelmente têm características de formatação diferentes, mesmo quando essas diferenças são sutis o suficiente para que um leitor casual não as perceba. Aprender a identificar esses sinais transforma a divisão de PDFs de suposições em um processo metódico.
Sinais baseados em layout que indicam limites do documento
Quando vários documentos são mesclados em um único PDF, cada documento de origem carrega seu próprio DNA de formatação. O documento A pode usar páginas tamanho carta com margens de uma polegada, corpo de texto de 12 pontos em Times New Roman e um cabeçalho contendo o logotipo da empresa em cada página. O documento B pode usar as mesmas páginas tamanho carta, mas com margens mais estreitas, texto Calibri de 11 pontos e nenhum cabeçalho. O documento C pode mudar totalmente para a orientação paisagem para um apêndice de planilha. Essas mudanças de formatação são imediatamente visíveis para quem folheia as miniaturas das páginas e são mensuráveis por ferramentas de análise de PDF que podem extrair as propriedades da página de maneira programática.
A tabela abaixo resume os sinais baseados em layout mais confiáveis para detectar limites de documentos e como avaliar cada um deles.
| Sinal de detecção | O que mede | Nível de confiabilidade |
|---|---|---|
| Alteração na dimensão da página | Alternar entre tamanhos de página carta, ofício, A4 ou personalizados | Muito alto |
| Mudança de orientação | Retrato para paisagem ou vice-versa entre páginas consecutivas | Muito alto |
| Queda na densidade do texto | Diminuição acentuada nos caracteres por área de página, típica das páginas de título | Alto |
| Família de fontes ou mudança de tamanho | Alteração na fonte dominante, indicando nova formatação do documento de origem | Moderado |
| Alteração da largura da margem | Diferentes margens esquerda, direita, superior ou inferior entre páginas adjacentes | Moderado |
| Aparência do cabeçalho ou rodapé | Presença ou ausência de texto recorrente na parte superior ou inferior da página | Alto quando presente |
Experimente dividir PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Usando análise de densidade de conteúdo para encontrar pontos de divisão naturais
A densidade do conteúdo, medida como a quantidade de caracteres de texto, área de imagem e espaços em branco em uma página, segue padrões previsíveis em um único documento. Um documento típico começa com uma página de título com baixa densidade de texto e muitos espaços em branco. As páginas de conteúdo a seguir têm densidade de texto consistente e significativamente maior. Se o documento terminar com uma página de assinatura ou um apêndice, a densidade poderá mudar novamente nesse ponto. Quando vários documentos são mesclados, esse padrão de densidade se repete a cada novo documento: um vale de baixa densidade na página de título, seguido por um patamar de densidade mais alta e consistente nas páginas de conteúdo.
O software que pode medir a densidade do conteúdo por página pode identificar essas repetições de padrões e sinalizá-las como candidatos a pontos de divisão. Um gráfico de densidade do PDF mesclado mostra picos e vales correspondentes às páginas de conteúdo e às páginas de título, respectivamente. Os vales onde a densidade cai acentuadamente são os candidatos a pontos de divisão. Quando esses vales se alinham com outras alterações estruturais, como uma alteração na dimensão da página ou uma mudança na fonte, a probabilidade de a página representar um limite do documento é extremamente alta. A ferramenta Split PDF de WukongPDF fornece um seletor visual de páginas que permite marcar pontos de divisão em cada limite identificado e extrair cada segmento como um PDF separado e com o nome apropriado.
Mudanças de orientação como o sinal de limite mais forte
Uma mudança na orientação da página de retrato para paisagem ou vice-versa é o sinal mais confiável dos limites de um documento porque quase sempre indica uma alternância entre os documentos de origem. Dentro de um único documento, as páginas quase sempre mantêm uma orientação consistente. Uma planilha de paisagem inserida em um relatório de retrato, um certificado de paisagem misturado com formulários de aplicação de retrato e desenhos arquitetônicos de paisagem misturados com páginas de especificação de retrato são indicadores claros de que um novo documento de origem começa na mudança de orientação.
A divisão nas mudanças de orientação é bastante simples. Percorra as miniaturas das páginas do PDF mesclado e observe cada página onde a orientação difere da página anterior. Cada uma dessas páginas marca o provável início de um novo documento. Extraia as páginas entre as alterações de orientação como arquivos individuais. Se o PDF mesclado contiver uma mistura de páginas retrato e paisagem que pertencem ao mesmo documento, o que é raro, mas possível em relatórios altamente formatados com páginas desdobráveis, verifique os pontos de divisão verificando outros sinais, como densidade do texto e consistência da fonte, antes de se comprometer com a divisão.
Combinação de múltiplos sinais para divisão automatizada confiável
Nenhum sinal de layout é perfeitamente confiável para detectar limites de documentos em todos os casos. Uma página paisagem em um documento retrato pode ser um gráfico ou desdobrável no mesmo relatório, e não o início de um novo documento. Uma queda na densidade pode ser a página de título de um capítulo em um documento mais longo, e não o início de um arquivo separado. A abordagem de divisão automatizada mais confiável combina múltiplos sinais: um ponto de divisão é confirmado somente quando dois ou mais sinais de layout mudam simultaneamente na mesma página. Uma mudança de orientação mais uma mudança de fonte indicam fortemente um novo documento. Uma queda na densidade combinada com uma mudança na dimensão da página é igualmente confiável.
Para grandes PDFs mesclados onde a revisão manual de cada página é impraticável, uma abordagem de sinal combinado fornece divisão automatizada com taxas de erro aceitavelmente baixas. A ferramenta de divisão processa cada página, calcula todos os sinais de layout e sinaliza apenas as páginas onde vários sinais mudam ao mesmo tempo. Uma rápida revisão manual apenas das páginas sinalizadas, visualizando cada uma delas para confirmar se elas realmente representam um limite do documento, leva uma pequena fração do tempo necessário para revisar cada página do documento. O pipeline de processamento PDF Batch de detecção automatizada de múltiplos sinais seguida de verificação humana direcionada combina a velocidade da automação com a precisão do julgamento humano.
Experimente dividir PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.