Cuando el texto que se desea eliminar en varios PDF no es completamente idéntico, por ejemplo, el mes puede ser abril o mayo, y el año puede ser cualquier número de cuatro dígitos, la eliminación manual uno por uno resulta muy ineficiente. Este artículo, combinado con la interfaz real de HeSoft Doc Batch Tool , explica cómo importar múltiples PDF, usar fórmulas para buscar texto de forma difusa y dejar el contenido de reemplazo vacío, para así eliminar por lotes palabras clave no fijas en los PDF. Es adecuado para escenarios de oficina como la anonimización de informes, la limpieza de fechas antes de la publicación de materiales y el procesamiento por lotes de textos contractuales.
Muchos trabajadores de oficina, al procesar documentos PDF, se encuentran con una tarea aparentemente sencilla pero que consume mucho tiempo: un lote de PDFs contiene texto que debe eliminarse, pero este texto no es exactamente igual. Por ejemplo, en algunos archivos aparece April 13, 2017, en otros puede ser May 13, 2018, o el año, el mes o el número varían de un archivo a otro. Si se depende solo de la búsqueda manual en un lector de PDF, procesar un archivo lleva varios minutos, y decenas de archivos se convierten en un trabajo repetitivo.
Este artículo presenta un método de procesamiento más adecuado para el trabajo por lotes: usar HeSoft Doc Batch Tool , seleccionar "Buscar y reemplazar palabras clave en PDF" en las herramientas de PDF, y luego usar una fórmula de búsqueda difusa para localizar el texto y reemplazar el contenido coincidente con nada. De esta manera, se puede eliminar por lotes el texto variable de múltiples PDFs. La idea central de todo el flujo de trabajo es: primero añadir todos los PDFs a la lista de tareas, luego describir el texto a eliminar usando reglas de comodín o fórmulas, y finalmente dejar que el software procese los archivos uno por uno automáticamente.
Escenarios aplicables: las palabras clave variables son más adecuadas para la eliminación difusa que las fijas
Si solo se necesita eliminar una palabra fija, como el nombre de una empresa o un código de proyecto específico, una búsqueda exacta es suficiente. Sin embargo, en el procesamiento real de documentos, lo más frecuente es que el contenido a eliminar siga un patrón, pero no sea completamente idéntico. Por ejemplo, los meses en inglés pueden ser April, May, etc.; los años pueden ser cuatro dígitos cualesquiera como 2017, 2018, 2020; los números de informe pueden contener números de serie variables; los números de contrato pueden combinar letras y dígitos.
Si se introducen palabras clave fijas una por una para este tipo de contenido, no solo habrá muchas reglas, sino que será fácil omitir alguna. Usar la búsqueda difusa con fórmulas permite tomar "una clase de texto" como objetivo de búsqueda. Por ejemplo, en la captura de pantalla, April|May puede entenderse como una coincidencia con April o May, y \d{4} como una coincidencia con cuatro dígitos. De este modo, eliminar fechas, años, números y campos confidenciales por lotes en PDFs resulta más eficiente.
Los escenarios típicos incluyen: eliminar información de fechas de informes PDF antes de su publicación externa; limpiar por lotes números no públicos en PDFs de contratos; eliminar parte del año o mes en documentos de auditoría; limpiar campos de versiones antiguas en materiales de formación, manuales y paquetes de datos; y aplicar un proceso de anonimización unificado a múltiples muestras de PDF.
Vista previa de los resultados: Archivos PDF que necesitan limpieza por lotes antes del procesamiento
En este ejemplo, hay 4 archivos PDF en la carpeta a procesar, con los nombres 1.pdf, 2.pdf, 3.pdf y 4.pdf. Aunque el número de archivos de ejemplo no es grande, el método operativo es igualmente aplicable a más PDFs. La ventaja de eficiencia del procesamiento por lotes será más evidente para decenas o cientos de archivos.
Al abrir uno de los PDFs, se observa que la página contiene la fecha April 13, 2017. La captura de pantalla marca con un recuadro rojo las dos posiciones a eliminar: April y 2017. El requisito aquí no es eliminar la página PDF completa, ni el párrafo entero del título, sino solo el contenido textual que cumple con las reglas.
Este tipo de PDF suele ser un informe, un manual, un archivo o un documento público. Si un archivo tiene decenas de páginas, ciertas palabras clave pueden estar dispersas en diferentes lugares, y es fácil pasarlas por alto al buscar manualmente página por página. Usar la función de buscar y reemplazar por lotes permite que el software las procese automáticamente siguiendo reglas unificadas.
Vista previa de los resultados: Las palabras clave objetivo se eliminan después del procesamiento, el resto del contenido se conserva
Una vez completado el procesamiento, April y 2017 han desaparecido del PDF, dejando un espacio en blanco en su lugar, mientras que "13," se conserva. Este resultado muestra que el software no eliminó simplemente la línea o el párrafo completo, sino que eliminó el texto coincidente según las reglas de palabras clave.
Para escenarios de oficina que requieren anonimizar o limpiar información con formato fijo, este método es muy práctico. Permite eliminar las palabras clave especificadas por las reglas, conservando al mismo tiempo la maquetación general del PDF, los títulos, los sellos, los pies de página, etc. Especialmente cuando la estructura del contenido de varios PDFs es similar, una sola configuración de reglas puede aplicarse repetidamente.
Paso 1: Abrir la función de buscar y reemplazar palabras clave en las herramientas de PDF
Después de abrir HeSoft Doc Batch Tool , primero seleccione "Herramientas PDF" en la barra de navegación izquierda. En la lista de funciones de la interfaz principal, encuentre "1. Buscar y reemplazar palabras clave en PDF". La descripción de esta función es "Buscar y reemplazar por lotes palabras clave en el contenido de archivos PDF", lo que se corresponde exactamente con la eliminación por lotes de texto en PDF que este artículo pretende lograr.
El propósito de seleccionar esta función es acceder al flujo de trabajo de búsqueda y reemplazo a nivel de contenido del PDF. En la interfaz también se pueden ver otras funciones para PDF, como añadir protección con contraseña, eliminar protección con contraseña, añadir marcas de agua, convertir PDF a Word, etc. No obstante, esta tarea solo implica la limpieza de palabras clave en el cuerpo del PDF, así que no seleccione el módulo equivocado.
Paso 2: Importar múltiples PDFs y confirmar la lista de tareas
Al entrar en la página de la función, la barra de flujo muestra que se encuentra en el paso 1 "Seleccionar los registros a procesar". La parte superior derecha de la página ofrece dos opciones principales: "Añadir archivos" e "Importar archivos desde carpeta". Si los archivos están dispersos, puede usar "Añadir archivos"; si todos los PDFs están en el mismo directorio, usar "Importar archivos desde carpeta" ahorrará tiempo.
En la captura de pantalla ya se han importado 4 PDFs. La lista muestra el número de orden, nombre, ruta, extensión, fecha de creación, fecha de modificación, etc. Se puede ver que todas las extensiones son pdf, lo que indica que los archivos añadidos son todos PDFs. El resumen inferior muestra que el número de registros es 4. Una vez confirmados los archivos, haga clic en "Siguiente" en la parte inferior.
En este paso se recomienda verificar cuidadosamente dos puntos: primero, si se han añadido todos los PDFs que necesitan procesamiento; segundo, si se ha añadido por error algún archivo que no debería modificarse. Si hay archivos en la lista que no necesitan procesamiento, puede eliminarlos usando el icono de eliminación en la columna de operaciones. La eficiencia del procesamiento por lotes es alta, pero la premisa es que el alcance de la tarea sea preciso.
Paso 3: Activar la búsqueda difusa de texto con fórmulas
Al hacer clic en "Siguiente", se accede a "Configurar opciones de procesamiento". En "Configurar opciones de palabras clave", se puede elegir el método de búsqueda. La interfaz muestra dos opciones: "Buscar texto exacto" y "Usar fórmula de búsqueda difusa de texto". En este ejemplo, se selecciona "Usar fórmula de búsqueda difusa de texto", porque los meses y años a eliminar no son cadenas de caracteres completamente fijas.
Si solo se desea eliminar la palabra April, la opción "Buscar texto exacto" también serviría. Pero si se desea buscar simultáneamente April y May, o incluso todos los años de cuatro dígitos, se deben utilizar reglas difusas. La ventaja de la búsqueda difusa es que permite describir de forma unificada contenido similar pero no idéntico, reduciendo el número de reglas.
En la captura de pantalla, la "Lista de palabras clave a buscar" tiene dos líneas: April|May y \d{4}. La primera línea sirve para buscar April o May, y la segunda para buscar cuatro dígitos. La "Lista de palabras clave para reemplazar" de la derecha está vacía, y la interfaz indica claramente "No rellenar significa eliminar". Por lo tanto, el software eliminará el contenido coincidente de la izquierda en lugar de reemplazarlo por otro texto.
Paso 4: Lograr la eliminación con un reemplazo vacío, sin introducir espacios
Muchos usuarios al usar buscar y reemplazar por primera vez se preguntan: Al eliminar palabras clave, ¿hay que introducir un espacio en el lado derecho? Por la indicación de la captura de pantalla, la respuesta es no. No rellenar el lado derecho significa eliminar. Si se introduce un espacio, podría reemplazar el texto coincidente con un carácter de espacio, lo cual visualmente no es igual que una verdadera eliminación y podría afectar a la copia posterior del texto o al criterio de maquetación.
Por lo tanto, en este ejemplo la lista de palabras clave para reemplazar se mantiene vacía. Los meses en inglés coincidentes con la primera línea April|May se eliminarán; los años de cuatro dígitos coincidentes con la segunda línea \d{4} se eliminarán. Después del procesamiento, solo permanecerá en el PDF la parte no coincidente con las reglas, como el "13," del ejemplo.
Tras la configuración, haga clic en "Siguiente" y continúe el flujo para "Configurar ubicación de guardado" y "Comenzar procesamiento". Se recomienda elegir una nueva ubicación de salida para el primer procesamiento, para evitar sobrescribir directamente los PDFs originales. Una vez finalizado, abra los PDFs procesados para una comprobación aleatoria y confirme que las reglas no han eliminado erróneamente otros números de cuatro dígitos que debían conservarse.
Preguntas frecuentes y precauciones
1. ¿Es la búsqueda difusa con fórmulas equivalente a los caracteres comodín? Visto desde su propósito de uso, ambos se utilizan para coincidir con una clase de texto no fijo. El nombre en la interfaz es "Usar fórmula de búsqueda difusa de texto", y en la práctica puede entenderse como un método de coincidencia de reglas más flexible que la búsqueda exacta.
2. ¿Por qué después del procesamiento solo se eliminan April y 2017, y no 13? Porque las reglas de búsqueda solo incluían April|May y \d{4}. El 13 tiene dos dígitos, no cumple la regla de cuatro dígitos, y tampoco es igual a April o May, por lo que se conserva.
3. Si hay otros números de cuatro dígitos en el PDF, ¿se eliminarán juntos? Cualquier cosa que coincida con \d{4} podría verse afectada. Por lo tanto, antes del procesamiento formal por lotes, se recomienda probar con una copia de pocos archivos, o redactar reglas más estrictas para reducir las eliminaciones erróneas.
4. ¿Se puede usar para archivos doc, docx, Excel, etc.? Este artículo demuestra el procesamiento de palabras clave en PDF con las herramientas de PDF. En la parte izquierda de la interfaz del software también se ven categorías como Herramientas de Word, Herramientas de Excel, Herramientas de PowerPoint, etc., pero para diferentes formatos debe elegir la herramienta correspondiente, no aplique el flujo de PDF directamente a archivos doc, docx o xlsx.
5. ¿Por qué podría no ser posible eliminar texto de un documento escaneado? Si el texto en el PDF es en realidad una imagen que no se puede seleccionar ni copiar, es posible que la búsqueda y reemplazo de texto no lo reconozca. En ese caso, primero debe confirmar si el PDF contiene una capa de texto editable o que se pueda buscar.
Resumen: La clave para eliminar texto variable en PDFs por lotes está en redactar bien las reglas
El núcleo para eliminar texto variable en múltiples PDFs por lotes no es hacer clic repetidamente en eliminar, sino abstraer el contenido a eliminar en reglas. A través de HeSoft Doc Batch Tool , puede importar primero varios PDFs, luego en la función "Buscar y reemplazar palabras clave en PDF", seleccionar "Usar fórmula de búsqueda difusa de texto", introducir reglas como April|May, \d{4}, y dejar el contenido de reemplazo vacío, logrando así una eliminación difusa por lotes.
Para los usuarios que procesan con frecuencia informes, contratos, material de archivo y PDFs para publicación externa, este método puede reducir significativamente el trabajo repetitivo. Se recomienda preparar copias de seguridad de los archivos antes del procesamiento formal por lotes, verificar las reglas con unas pocas muestras, y solo proceder con todo el lote de PDFs una vez confirmada la exactitud. Esto no solo mejora la eficiencia, sino que también garantiza resultados de limpieza de archivos más fiables.