大多数 PDF 拆分工具按页数划分文档：每 N 页后拆分、按特定页码拆分或拆分为相等的部分。当您已经确切知道文档边界所在的位置时，此方法就有效。当您处理一个您不知道其内部结构的合并 PDF 时，它会完全失败，其中不同长度和未知长度的文档在没有清晰的分隔页的情况下组合在一起。页数计算方法迫使您猜测一个文档的结束位置和下一个文档的开始位置，错误的猜测要么将文档切成两半，要么将一个文档的尾部与下一个文档的头部合并。
一种从根本上更可靠的方法可以检测页面布局方向、内容密度或格式的变化，这些变化标志着从一个源文档到下一个源文档的转换。这些结构线索几乎存在于每个合并的 PDF 中，因为不同的源文档总是具有不同的格式特征，即使这些差异足够微妙，普通读者不会注意到它们。学习识别这些信号可以将 PDF 分割从猜测转变为有条不紊的过程。
基于布局的指示文档边界的信号
当多个文档合并为一个 PDF 时，每个源文档都带有自己的格式 DNA。文档 A 可能使用信纸尺寸的页面，页边距为 1 英寸，正文采用 Times New Roman 字体，正文为 12 磅，并且每页的页眉都包含公司徽标。文档 B 可能使用相同信纸大小的页面，但页边距较窄，采用 11 磅 Calibri 文本，并且根本没有页眉。对于电子表格附录，文档 C 可能完全切换为横向。这些格式变化对于翻阅页面缩略图的人来说是立即可见的，并且可以通过能够以编程方式提取页面属性的 PDF 分析工具来测量它们。
下表总结了用于检测文档边界的最可靠的基于布局的信号以及如何评估每个信号。
| 检测信号 | 它测量什么 | 可靠性等级 |
|---|---|---|
| 页面尺寸变化 | 在 letter、legal、A4 或自定义页面尺寸之间切换 | 非常高 |
| 方向改变 | 连续页面之间的纵向到横向或反之亦然 | 非常高 |
| 文字密度下降 | 每页区域的字符数急剧减少（典型的标题页） | 高的 |
| 字体系列或大小变化 | 主要字体发生变化，表明新的源文档格式 | 缓和 |
| 边距宽度变化 | 相邻页面之间的左、右、上、下边距不同 | 缓和 |
| 页眉或页脚外观 | 页面顶部或底部是否存在重复文本 | 存在时为高 |
使用内容密度分析来查找自然分裂点
内容密度以页面上的文本字符、图像区域和空白区域的数量来衡量，遵循单个文档中的可预测模式。典型的文档以标题页开始，标题页具有低文本密度和高空白区域。接下来的内容页面具有一致且显着更高的文本密度。如果文档以签名页或附录结尾，则此时浓度可能会再次发生变化。合并多个文档时，每个新文档都会重复这种密度模式：标题页上有一个低密度的山谷，然后是整个内容页上密度较高且一致的平台。
可以测量每页内容密度的软件可以识别这些模式重复并将它们标记为候选分割点。合并后的 PDF 的密度图显示了分别对应于内容页和标题页的峰值和谷值。密度急剧下降的山谷是候选分裂点。当这些谷与其他结构变化（例如页面尺寸变化或字体移位）对齐时，页面代表文档边界的可能性非常高。 WukongPDF 的分割 PDF 工具提供了一个可视页面选择器，可让您在每个已识别的边界处标记分割点，并将每个片段提取为单独的、正确命名的 PDF。
方向变化作为最强边界信号
页面方向从纵向到横向的变化（反之亦然）是文档边界最可靠的单一信号，因为它几乎总是表明源文档之间的切换。在单个文档中，页面几乎总是保持一致的方向。插入纵向报告中的横向电子表格、与纵向申请表混合的横向证书、以及与纵向规范页混合的横向建筑图纸，都是新源文档在方向更改时开始的明确指示。
方向变化时的分裂非常简单。滚动浏览合并的 PDF 的页面缩略图，并记下方向与前一页不同的每一页。这些页面中的每一页都标志着新文档的可能开始。将方向变化之间的页面提取为单独的文件。如果合并的 PDF 包含属于同一文档的纵向和横向页面的混合（这种情况很少见，但在具有折叠页面的高度格式化报告中是可能的），请在进行拆分之前通过检查文本密度和字体一致性等其他信号来验证拆分点。
组合多个信号以实现可靠的自动分裂
没有任何一个布局信号对于在每种情况下检测文档边界都是完全可靠的。纵向文档中的横向页面可能是同一报告中的图表或折页，而不是新文档的开头。密度下降可能是较长文档中的章节标题页，而不是单独文件的开头。最可靠的自动分割方法结合了多个信号：只有当两个或多个布局信号在同一页面同时发生变化时，分割点才会被确认。方向更改加上字体更改强烈表明这是一个新文档。密度下降与页面尺寸变化相结合同样可靠。
对于大型合并 PDF，手动检查每个页面是不切实际的，组合信号方法提供自动分割，并且错误率低得可接受。拆分工具处理每个页面，计算所有布局信号，并仅标记多个信号同时更改的页面。仅快速手动检查标记的页面，查看每个页面以确认其确实代表文档边界，只需检查文档中每一页所需时间的一小部分。 PDF Batch 自动化多信号检测处理流程以及针对性的人工验证将自动化的速度与人工判断的准确性结合在一起。