Extrair imagens de um PDF

O que significa extrair as imagens de um PDF

Um PDF não guarda imagens como uma página web guarda. Cada imagem existe no ficheiro como um objeto próprio — um bloco de amostras comprimidas com a sua largura, altura, espaço de cor e profundidade de bits — e a página que a mostra contém apenas a instrução de desenhar esse objeto numa certa posição e a um certo tamanho. Extrair imagens é ir buscar esses objetos diretamente, em vez de fazer uma captura de ecrã ou voltar a desenhar a página.

É essa distinção que torna a operação útil. Uma captura de ecrã dá-lhe a imagem no tamanho em que a página a mostrava, achatada com tudo o que estivesse por cima. Chegar ao objeto guardado dá-lhe a imagem na sua resolução completa, separada do texto e da paginação à volta.

Esta página lê o documento no seu navegador, lista todos os objetos de imagem que encontra e permite transferi-los um a um ou juntos num ZIP. Nada é enviado, por isso o documento nunca sai do seu computador.

Como extrair as imagens

1. Largue o seu PDF na página. Arraste o ficheiro para a zona de largar, ou clique em «Escolher um PDF» para o selecionar numa caixa de diálogo. Um ficheiro de cada vez, até 100 MB, lido onde está em vez de ser enviado para algum lado.
2. Leia o resumo. Um painel indica o tamanho do ficheiro, quantos objetos de imagem o documento contém, quantos podem ser extraídos e quantos sairão como o ficheiro original do autor em vez de uma cópia recodificada.
3. Transfira o que precisar. Cada imagem aparece com uma miniatura, o seu tamanho em pixels, quantos bytes ocupa dentro do PDF e uma etiqueta a dizer se é um JPEG original ou um PNG recodificado. Use o botão de transferência de qualquer uma, ou «Transferir tudo em ZIP» para levar o conjunto.

O que recebe de facto

Há dois casos, e só um lhe devolve o ficheiro do autor intacto. Um JPEG colocado num PDF é guardado como um fluxo cujos bytes já são um ficheiro JPEG completo, portanto pode ser escrito tal e qual: byte a byte aquilo que foi incorporado, sem descodificar nem recodificar nada. Esses aparecem marcados como JPEG original.

Todo o resto é guardado como amostras comprimidas em bruto e não como um ficheiro: dentro de um PDF não existe nenhum PNG ou GIF para copiar, apenas dados de pixels e uma descrição de como os ler. Essas imagens são descomprimidas, têm a predição desfeita e são reconstruídas em PNG. O PNG não perde qualidade, por isso nenhum pixel muda pelo caminho, mas os bytes resultantes são desta ferramenta e não do autor — daí a etiqueta PNG recodificado.

Vale a pena dizer que o caso recodificado é o comum, não a exceção. Ao medir quatro PDF publicados reais durante a construção do compressor deste site, 98% dos bytes de imagem eram amostras comprimidas em bruto e não JPEG. Uma ferramenta que prometesse devolver os ficheiros de imagem originais estaria errada na maioria das vezes, e é por isso que esta página separa os dois casos.

Outra coisa que o resumo revela: uma imagem usada em muitas páginas é um único objeto no ficheiro, e é listada uma vez. A ferramenta percorre os objetos do documento e não as suas páginas, por isso um logótipo repetido em quarenta páginas aparece como uma entrada e não como quarenta cópias.

Limites assumidos

O mais importante: o que sai é a imagem tal como está guardada, não a parte dela que vê na página. Um PDF desenha cada imagem através de uma transformação, por isso a versão visível pode estar cortada por um traçado de recorte, redimensionada para qualquer caixa, rodada ou mascarada numa forma. O que transfere é o objeto inteiro no seu tamanho em pixels original: normalmente maior do que parecia e, por vezes, bastante diferente da zona que estava à vista.

A transparência traz uma surpresa relacionada. Quando uma imagem tem contornos suaves ou o fundo recortado, essa transparência costuma viver num objeto em tons de cinzento à parte, que funciona como o seu canal alfa. Esta ferramenta lista e extrai essas máscaras como ficheiros próprios, identificados, em vez de as combinar com a imagem a que pertencem — por isso uma imagem com transparência tende a sair como dois ficheiros e não como um já sem fundo.

Alguns formatos não podem ser descodificados num navegador, e cada um é listado com o seu motivo em vez de desaparecer em silêncio: JPEG 2000, os codecs de fax e de um bit como CCITT e JBIG2, imagens CMYK, estênceis de um bit, imagens com um remapeamento de cor próprio e qualquer uma cuja largura ou altura seja zero.

Por fim, isto lê objetos raster incorporados. Uma página desenhada inteiramente com instruções vetoriais — um gráfico, um logótipo em curvas, um diagrama — não contém qualquer objeto de imagem para extrair, e a ferramenta dirá honestamente que não encontrou nenhum, em vez de rasterizar a página e apresentar o resultado como se fosse uma imagem extraída.

Porque é gratuito

O documento é lido dentro do separador do seu navegador. Não há envio, nem fila, nem servidor a fazer o trabalho, por isso não existe um custo por ficheiro a repercutir nem razão para lhe pedir uma conta antes de poder abrir o seu próprio ficheiro.

Isso significa também que não há marca de água em nada do que transfere nem limite de ficheiros que pode processar. Até o ZIP é montado no navegador, usando o modo de armazenamento do formato: PNG e JPEG já estão comprimidos, por isso voltar a empacotá-los custaria tempo real para poupar quase nada.