Extraer imágenes de un PDF

Qué significa extraer las imágenes de un PDF

Un PDF no guarda las imágenes como lo haría una página web. Cada imagen vive en el archivo como un objeto propio —un bloque de muestras comprimidas con su ancho, su alto, su espacio de color y su profundidad de bits— y la página que la enseña solo contiene la instrucción de dibujar ese objeto en cierta posición y a cierto tamaño. Extraer imágenes consiste en ir a por esos objetos directamente, en vez de hacer una captura de pantalla o volver a renderizar la página.

Esa diferencia es justo lo que hace que merezca la pena. Una captura te da la imagen al tamaño en que la página la mostraba y aplastada junto con todo lo que hubiera encima. Llegar al objeto almacenado te da la imagen a su resolución completa, separada del texto y de la maquetación que la rodea.

Esta página lee el documento dentro de tu navegador, enumera todos los objetos de imagen que encuentra y te deja descargarlos de uno en uno o juntos en un ZIP. No se sube nada, así que el documento no se mueve de tu equipo.

Cómo extraer las imágenes

1. Suelta tu PDF en la página. Arrastra el archivo a la zona de arrastre, o pulsa «Elegir un PDF» para escogerlo desde un diálogo. Un archivo cada vez, hasta 100 MB, y se lee donde está en lugar de enviarse a ninguna parte.
2. Lee el resumen. Un panel indica el tamaño del archivo, cuántos objetos de imagen contiene el documento, cuántos se pueden extraer y cuántos saldrán como el archivo original del autor en vez de como una copia recodificada.
3. Descarga lo que necesites. Cada imagen aparece con una miniatura, su tamaño en píxeles, cuántos bytes ocupa dentro del PDF y una etiqueta que dice si es un JPEG original o un PNG recodificado. Usa el botón de descarga de cualquiera de ellas, o «Descargar todo en ZIP» para llevarte el conjunto.

Qué obtienes exactamente

Hay dos casos, y solo uno te devuelve el archivo del autor intacto. Un JPEG colocado en un PDF se guarda como un flujo cuyos bytes ya son un archivo JPEG completo, así que se puede escribir tal cual: byte a byte lo que se incrustó, sin decodificar ni recodificar nada. Esos aparecen marcados como JPEG original.

Todo lo demás se guarda como muestras comprimidas en bruto y no como un archivo: dentro de un PDF no hay ningún PNG ni GIF que copiar, solo datos de píxeles y una descripción de cómo leerlos. Esas imágenes se descomprimen, se les deshace la predicción y se reconstruyen en PNG. PNG no pierde calidad, así que ningún píxel cambia por el camino, pero los bytes resultantes son de esta herramienta y no del autor, y por eso se marcan como PNG recodificado.

Conviene decir que el caso recodificado es el habitual, no la excepción. Al medir cuatro PDF publicados reales mientras se construía el compresor de este sitio, el 98% de los bytes de imagen eran muestras comprimidas en bruto y no JPEG. Una herramienta que prometiera devolverte los archivos de imagen originales se equivocaría la mayoría de las veces, y de ahí que esta página distinga ambos casos.

Otra cosa que el resumen deja ver: una imagen usada en muchas páginas es un solo objeto dentro del archivo, y se lista una vez. La herramienta recorre los objetos del documento y no sus páginas, así que un logotipo repetido en cuarenta páginas aparece como una entrada y no como cuarenta copias.

Límites que conviene conocer

El más importante: lo que sale es la imagen tal como está almacenada, no la parte que ves en la página. Un PDF dibuja cada imagen aplicándole una transformación, de modo que la versión visible puede estar recortada por un trazado de recorte, escalada a cualquier caja, girada o enmascarada con una forma. Lo que descargas es el objeto entero a su tamaño en píxeles original: normalmente más grande de lo que parecía y, a veces, bastante distinto de la zona que se veía.

La transparencia trae una sorpresa relacionada. Cuando una imagen tiene bordes suaves o el fondo recortado, esa transparencia suele vivir en un objeto en escala de grises aparte que actúa como su canal alfa. Esta herramienta lista y extrae esas máscaras como archivos propios, etiquetados, en vez de combinarlas con la imagen a la que pertenecen: así que una imagen con transparencia suele salir como dos archivos y no como uno con el fondo ya quitado.

Algunos formatos no se pueden decodificar en un navegador, y cada uno se lista con su motivo en lugar de desaparecer sin más: JPEG 2000, los códecs de fax y de un bit como CCITT y JBIG2, las imágenes CMYK, las plantillas de un bit, las que llevan un remapeo de color propio y cualquiera cuyo ancho o alto sea cero.

Por último, esto lee objetos ráster incrustados. Una página dibujada íntegramente con instrucciones vectoriales —un gráfico, un logotipo trazado en curvas, un diagrama— no contiene ningún objeto de imagen que extraer, y la herramienta dirá honestamente que no encontró ninguno en vez de rasterizar la página y presentarte el resultado como si fuera una imagen extraída.

¿Por qué es gratis?

El documento se lee dentro de la pestaña de tu navegador. No hay subida, ni cola, ni un servidor haciendo el trabajo, así que no hay un coste por archivo que repercutir ni motivo para pedirte una cuenta antes de dejarte abrir tu propio archivo.

Eso también significa que no hay marca de agua en nada de lo que descargas ni límite de archivos que puedes procesar. Incluso el ZIP se arma en el navegador, usando el modo de almacenamiento del formato: PNG y JPEG ya están comprimidos, así que volver a empaquetarlos costaría tiempo real para no ahorrar casi nada.