Большинство инструментов разделения PDF-файлов делят документ по количеству страниц: разделяют после каждых N страниц, разделяют по определенным номерам страниц или разделяют на равные части. Этот подход работает, когда вы уже точно знаете, где расположены границы документа. Это полностью терпит неудачу, когда вы имеете дело с объединенным PDF-файлом, внутренняя структура которого вам не известна, где документы различной и неизвестной длины были объединены без четких страниц-разделителей. Подход с подсчетом страниц заставляет вас угадывать, где заканчивается один документ и начинается следующий, а неправильное предположение либо разрезает документ пополам, либо объединяет конец одного документа с заголовком следующего.
Принципиально более надежный подход обнаруживает изменения в ориентации макета страницы, плотности контента или форматировании, которые сигнализируют о переходе от одного исходного документа к другому. Эти структурные признаки присутствуют почти в каждом объединенном PDF-файле, поскольку разные исходные документы неизменно имеют разные характеристики форматирования, даже если эти различия настолько незначительны, что обычный читатель их не заметит. Обучение распознаванию этих сигналов превращает разделение PDF-файлов из догадок в методический процесс.
Сигналы на основе макета, указывающие границы документа
Когда несколько документов объединяются в один PDF-файл, каждый исходный документ несет свою собственную ДНК форматирования. В документе А могут использоваться страницы формата Letter с полями в один дюйм, основной текст размером 12 пунктов в Times New Roman и заголовок, содержащий логотип компании на каждой странице. В документе Б могут использоваться те же страницы формата Letter, но с более узкими полями, текстом Calibri размером 11 пунктов и вообще без заголовка. Документ C может полностью переключиться на альбомную ориентацию приложения к электронной таблице. Эти изменения форматирования сразу заметны человеку, пролистывающему миниатюры страниц, и их можно измерить с помощью инструментов анализа PDF, которые могут программно извлекать свойства страниц.
В таблице ниже приведены наиболее надежные сигналы макета для определения границ документа и способы оценки каждого из них.
| Сигнал обнаружения | Что он измеряет | Уровень надежности |
|---|---|---|
| Изменение размера страницы | Переключение между форматами страниц Letter, Legal, A4 или пользовательскими. | Очень высокий |
| Изменение ориентации | От книжной ориентации к альбомной или наоборот между последовательными страницами. | Очень высокий |
| Снижение плотности текста | Резкое уменьшение количества символов на странице, типичное для титульных страниц. | Высокий |
| Семейство шрифтов или изменение размера | Изменение доминирующего шрифта, указывающее на новое форматирование исходного документа. | Умеренный |
| Изменение ширины поля | Разные левые, правые, верхние или нижние поля на соседних страницах. | Умеренный |
| Внешний вид верхнего или нижнего колонтитула | Наличие или отсутствие повторяющегося текста вверху или внизу страницы. | Высокий при наличии |
Использование анализа плотности контента для поиска естественных точек разделения
Плотность контента, измеряемая как количество текстовых символов, область изображения и пустое пространство на странице, следует предсказуемым закономерностям в одном документе. Типичный документ начинается с титульной страницы с низкой плотностью текста и большим количеством пробелов. Следующие страницы контента имеют постоянную и значительно более высокую плотность текста. Если документ заканчивается страницей с подписью или приложением, плотность в этом месте может снова измениться. При объединении нескольких документов этот шаблон плотности повторяется с каждым новым документом: впадина низкой плотности на титульной странице, за которой следует плато более высокой и постоянной плотности на страницах содержимого.
Программное обеспечение, которое может измерять плотность контента на странице, может идентифицировать эти повторения шаблонов и помечать их как возможные точки разделения. График плотности объединенного PDF-файла показывает пики и спады, соответствующие страницам контента и титульным страницам соответственно. Впадины, где плотность резко падает, являются кандидатами на точки разделения. Когда эти впадины совпадают с другими структурными изменениями, такими как изменение размера страницы или сдвиг шрифта, вероятность того, что страница представляет собой границу документа, чрезвычайно высока. Инструмент Split PDF WukongPDF предоставляет визуальный выбор страниц, который позволяет отмечать точки разделения на каждой идентифицированной границе и извлекать каждый сегмент как отдельный PDF-файл с соответствующим названием.
Изменения ориентации как самый сильный граничный сигнал
Изменение ориентации страницы с книжной на альбомную или наоборот является единственным наиболее надежным сигналом границы документа, поскольку почти всегда указывает на переключение между исходными документами. В одном документе страницы почти всегда сохраняют одинаковую ориентацию. Электронная таблица с альбомной ориентацией, вставленная в отчет с книжной ориентацией, сертификат с альбомной ориентацией, смешанный с формами заявок с книжной ориентацией, и архитектурные чертежи с альбомной ориентацией, смешанные со страницами спецификаций с книжной ориентацией, — все это явные индикаторы того, что новый исходный документ начинается с изменения ориентации.
Разделение при изменении ориентации на удивление просто. Прокрутите миниатюры страниц объединенного PDF-файла и обратите внимание на каждую страницу, ориентация которой отличается от предыдущей. Каждая из этих страниц отмечает вероятное начало нового документа. Извлекайте страницы между изменениями ориентации как отдельные файлы. Если объединенный PDF-файл содержит смесь страниц с книжной и альбомной ориентацией, принадлежащих одному и тому же документу, что случается редко, но возможно в отчетах с высоким форматированием и раскладывающимися страницами, перед выполнением разделения проверьте точки разделения, проверив другие сигналы, такие как плотность текста и согласованность шрифта.
Объединение нескольких сигналов для надежного автоматического разделения
Ни один сигнал макета не является абсолютно надежным для определения границ документа в каждом случае. Страница с альбомной ориентацией в документе с книжной ориентацией может представлять собой диаграмму или разворот в том же отчете, а не начало нового документа. Снижение плотности может быть связано с титульной страницей главы в более длинном документе, а не с началом отдельного файла. Самый надежный подход автоматического разделения объединяет несколько сигналов: точка разделения подтверждается только тогда, когда два или более сигналов макета изменяются одновременно на одной странице. Изменение ориентации и изменение шрифта явно указывают на новый документ. Падение плотности в сочетании с изменением размера страницы также достоверно.
Для больших объединенных PDF-файлов, где ручная проверка каждой отдельной страницы нецелесообразна, подход комбинированных сигналов обеспечивает автоматическое разделение с приемлемо низким уровнем ошибок. Инструмент разделения обрабатывает каждую страницу, вычисляет все сигналы макета и помечает только те страницы, на которых одновременно изменяются несколько сигналов. Быстрый ручной просмотр только помеченных страниц с просмотром каждой из них для подтверждения того, что она действительно представляет границу документа, занимает небольшую часть времени, необходимого для проверки каждой страницы в документе. Конвейер обработки PDF Batch для автоматического обнаружения нескольких сигналов с последующей целевой проверкой человеком сочетает в себе скорость автоматизации и точность человеческого суждения.