如何基于Job Separation（Patch Code）页面拆分PDF？附脚本实现

我有一份包含Job Separation（又称Patch Code）页面的大型PDF文件，需要将其拆分为多个独立PDF，以Patch Code页面作为每个文件的结束标识。专业扫描软件大多支持基于这类特殊页面拆分输出，但我是通过文件共享或邮件接收扫描件，不想使用扫描客户端，因此想找简便的解决方案（比如Bash脚本）来完成拆分。试过ghostscript、pdftk、cpdf、tesseract等工具，均未发现直接支持Patch Code拆分的功能。

最终解决方案 #

试过各类工具后，我放弃寻找直接识别Patch Code的PDF工具，转而通过对扫描件执行OCR识别，根据Patch Code的位置完成PDF的拆分与合并，实现脚本如下：

# 先把单个PDF拆成单页PDF（使用pdftk）
# 之后根据Patch Code页面，将多份单页PDF合并为完整文件
# 默认会生成pg_%04d.pdf格式的文件→比如pg_0001.pdf
# 这里我们改为生成0001.pdf这类命名的单页文件

pdftk $fname burst output %04d.pdf


# 创建数组，元素要么是单页PDF文件名"00XX.pdf"，要么是标记"Patch-Code"

declare -a PDFArray
for i in 0*
do
    # 对临时文件夹中的所有PDF执行OCR，"--sidecar"参数会生成对应文本文件存储识别内容
    ocrmypdf -l deu "$i" "$i" --sidecar
    
    # 判断是否为Patch Code页面：文本文件大小为29字节，且包含"Patch Code"文本
    if [[ "$(wc -c < "${i}.txt")" == 29 && "$(grep -c 'Patch Code' < "${i}.txt")" == 1 ]] ; then
            PDFArray+=(Patch-Code)
    else
            PDFArray+=("${i}")
    fi
done

# 在数组末尾添加一个Patch-Code标识，确保最后一组文件能被正确分割
PDFArray+=( Patch-Code )


# 处理数组内容，按Patch-Code标记分割为不同的文件组
PDFFiles=$(echo "${PDFArray[*]}" | perl -pe 's/ /''/g')  
echo "$PDFFiles" | perl -pe 's/Patch-Code/\n/g' | awk '!/^$/' | while read line 
do
    # 调试输出（可选）
    echo "line = $line"     
    echo $line | xargs
    # 判断当前组的文件数量：如果只有一个文件，直接重命名；否则合并
    # 合并后的文件命名规则为merge-组内首个文件名.pdf
    NumFields=$(echo $line | awk -F' ' "{ print NF }")
    if [[ $NumFields == 1 ]] ; then
            # xargs用于去除多余空格，可根据实际情况省略
            mv $(echo $line | xargs)  merge-"$line"
    else
            FirstElement=$( echo $line | awk '{print$1}' )
            echo "FirstElement = $FirstElement"
            pdftk $(echo $line | xargs)  cat output merge-"$FirstElement"
    fi
done

内容的提问来源于stack exchange，提问作者Tim Haegele