Um documento de 500 páginas precisa ser dividido em capítulos. Os capítulos são marcados por títulos consistentes, como "Capítulo 1," "Capítulo 2," e assim por diante. Percorrer manualmente 500 páginas para encontrar o título de cada capítulo e dividir cada um deles é entediante. Usar um padrão de expressão regular para localizar títulos de capítulos e dividir o documento automaticamente a cada correspondência transforma uma hora de trabalho manual em alguns segundos de processamento automatizado.
A divisão de um PDF por correspondência de padrão de texto usa expressões regulares para pesquisar padrões específicos no texto do documento e dividir em cada correspondência. O padrão pode corresponder a títulos de capítulos, títulos de seções ou qualquer texto recorrente que marque um ponto de divisão. Este método funciona quando o documento possui marcadores de texto consistentes e legíveis por máquina em cada local de divisão.
A operação Dividir PDF por padrão regex requer que o documento tenha texto selecionável. Documentos digitalizados sem OCR devem ser submetidos ao OCR primeiro.
Criando o padrão Regex
O padrão deve corresponder exatamente aos títulos dos capítulos e nada mais. Para títulos como "Capítulo 1," "Capítulo 2," o regex pode ser "Capítulo \d+." A barra invertida-d-mais corresponde a um ou mais dígitos. Teste a regex em uma amostra do texto antes de executá-la em todo o documento. Um padrão muito amplo irá se dividir em locais não intencionais.
Experimente dividir PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Executando a divisão
Use uma ferramenta de divisão de PDF que suporte correspondência de padrões de texto. Insira o padrão regex. A ferramenta pesquisa o documento, identifica cada local de correspondência e divide nesses pontos. Cada arquivo de saída contém as páginas de uma correspondência para a próxima.
WukongPDF ferramentas divididas podem processar documentos. A divisão baseada em regex de páginas PDF requer uma ferramenta que suporte correspondência de padrões.
Verificando a precisão da divisão
Após a divisão, abra cada arquivo de saída e verifique se ele começa no título do capítulo e termina antes do próximo título do capítulo. Verifique a primeira e a última página de cada arquivo. Uma divisão desalinhada mostrará o conteúdo do capítulo errado no início ou no final.
Escapando caracteres especiais em padrões Regex
Os títulos dos capítulos podem conter caracteres regex especiais, como pontos, parênteses ou colchetes. Escape desses caracteres com uma barra invertida no padrão. Um ponto final literal no "Capítulo 1". deve ser escrito como "Capítulo 1\." na regex.
O escape de regex Split PDF evita correspondências falsas e garante que o padrão corresponda apenas ao texto pretendido.
Lidando com títulos de capítulos multilinhas
Alguns títulos de capítulos abrangem várias linhas. Uma regex que pesquisa linha por linha não corresponderá a um título dividido entre linhas. Use um modo regex multilinha que trata todo o texto da página como uma única string.
O modo regex multilinha das páginas PDF para detecção de capítulos lida com títulos que não cabem em uma única linha.
Criando um índice de capítulo após a divisão
Após a divisão, gere um índice de capítulo listando cada arquivo de saída, o título do capítulo e o intervalo de páginas. O índice ajuda os leitores a navegar no conjunto de documentos divididos.
A criação do índice de capítulos das Ferramentas PDF após a divisão de regex fornece um mapa dos arquivos de saída.
Testando padrões Regex com testadores Regex online
Antes de aplicar um padrão regex a um PDF, teste-o em uma amostra do texto do documento. Os testadores de regex online mostram exatamente a qual texto o padrão corresponde. O feedback visual confirma que o padrão está correto antes de processar centenas de páginas.
A etapa de teste de regex Split PDF evita a frustração de uma divisão que produz uma saída lixo porque o padrão corresponde ao texto não intencional.
Exporte uma amostra do texto PDF para um arquivo de texto simples. Teste o regex no arquivo de texto. Aplique-o apenas ao PDF depois de confirmar que as correspondências estão corretas.
Usando grupos de captura para extrair títulos de capítulos
Um padrão regex com grupos de captura pode extrair não apenas o local da divisão, mas também o título do capítulo. O título capturado torna-se o nome do arquivo de saída. Um padrão como "Capítulo (\d+): (.+)" captura o número do capítulo e o título.
A extração do grupo de captura de páginas PDF automatiza a nomeação de arquivos durante a divisão. Cada arquivo de saída recebe um nome descritivo do título do capítulo.
Verifique se os títulos capturados são nomes de arquivo válidos. Remova ou substitua caracteres que os sistemas de arquivos não aceitam nos nomes de arquivos.
Lidando com matéria frontal e posterior separadamente
Os documentos geralmente têm matéria inicial, índice, prefácio e verso, apêndices, índice, que não devem ser divididos em capítulos. Exclua essas seções da divisão. Processe-os como arquivos separados ou mescle-os com capítulos adjacentes.
O tratamento da frente e verso do PDF dividido requer a identificação do conteúdo antes do título do primeiro capítulo e depois do título do último capítulo.
Use um regex separado para identificar os limites do assunto inicial e posterior. Divida essas seções manualmente se a detecção automatizada não for confiável.
Reconstruindo um índice a partir de arquivos divididos
Após a divisão, as referências da página do índice original estão erradas porque os números das páginas foram alterados. Reconstrua o sumário a partir dos nomes dos arquivos divididos e de suas contagens de páginas. O novo sumário reflete com precisão a estrutura dividida do documento.
A reconstrução dos favoritos do PDF após a divisão restaura a navegação do documento.
Inclua o sumário reconstruído como um arquivo separado ou como a primeira página do primeiro arquivo dividido.
Preservando referências cruzadas em arquivos divididos
Referências cruzadas internas, como "ver Capítulo 3," agora pode fazer referência ao conteúdo em um arquivo diferente. Converta referências cruzadas internas em referências de arquivos externos ou adicione uma nota indicando qual arquivo contém o conteúdo referenciado.
O gerenciamento de referências cruzadas PDF Tools após a divisão garante que as referências permaneçam funcionais para o leitor.
Usando Lookahead Negativo para Evitar Falsas Correspondências
Um padrão regex pode usar lookahead negativo para evitar a correspondência de texto semelhante a um capítulo que não é realmente um título de capítulo. Por exemplo, exclua correspondências em que o título seja seguido por determinados padrões que indiquem que se trata de uma referência cruzada e não de um início de capítulo.
A técnica de lookahead negativo Split PDF melhora a precisão do regex para estruturas complexas de documentos.
Divisão por vários níveis de título simultaneamente
Alguns documentos possuem partes, capítulos e seções em diferentes níveis de títulos. Use vários padrões regex para dividir no nível desejado. Divida nos títulos das peças para seções grandes. Divida nos títulos dos capítulos para obter granularidade mais precisa.
A abordagem de divisão multinível PDF Pages fornece flexibilidade na granularidade do arquivo de saída.
Mesclando pequenos capítulos adjacentes após a divisão
Um capítulo com apenas duas páginas produz um arquivo de saída estranhamente pequeno. Mesclar pequenos capítulos adjacentes em um único arquivo. Defina um limite mínimo de páginas. Os capítulos abaixo do limite são mesclados com o próximo capítulo.
A fusão pós-divisão PDF Tools de pequenos capítulos produz arquivos de saída mais equilibrados.
Tratamento de documentos onde os títulos dos capítulos variam em formato
Nem todos os capítulos seguem o mesmo formato de título. Os primeiros capítulos podem usar "Capítulo I" enquanto os capítulos posteriores usam o "Capítulo 10." A regex deve lidar com algarismos romanos, algarismos arábicos e números escritos por extenso.
O regex multiformato Split PDF lida com documentos com estilos de cabeçalho de capítulo inconsistentes.
Criando um plano de divisão antes de executar a divisão
Documente os pontos de divisão planejados, os nomes dos arquivos de saída e os intervalos de páginas antes de executar a divisão. O plano é uma referência para verificação e registro da operação de desdobramento.
O plano de divisão PDF Pages é um documento de controle de qualidade que evita erros durante a divisão automatizada.
Usando a saída dividida para gerar PDFs de capítulos individuais para impressão sob demanda
Os capítulos divididos podem ser enviados individualmente para serviços de impressão sob demanda. Cada capítulo se torna um livreto separado. Os leitores encomendam apenas os capítulos de que precisam.
A aplicação de impressão sob demanda PDF Tools de divisão de capítulos reduz o desperdício e o custo para leitores que precisam apenas de seções específicas.
Experimente dividir PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.