Extraer páginas de PDF

Qué trae consigo una página extraída

La palabra que hay que tomar en serio en “un documento nuevo y limpio” es nuevo. Tus páginas se copian en un documento creado desde cero, así que el contenido de cada página es exacto (sin volver a comprimir, sin cambiar la escala, con las mismas fuentes y las mismas imágenes), mientras que los elementos del documento original simplemente no están ahí para heredarse. No hay índice de marcadores, ni etiquetas de página, ni adjuntos, ni título ni autor, ni formulario. Esto último tiene una consecuencia visible que conviene conocer antes de enviar el archivo: el widget de un campo completado se dibuja en la página y viaja con ella, así que las respuestas se siguen viendo, pero el diccionario que les decía a los lectores que esos widgets eran un formulario no viaja. Una página de formulario extraída se ve completa y ya no se puede rellenar.

Las etiquetas de página son las que más sorprenden. Un informe cuyas páginas preliminares están numeradas i, ii, iii guarda esas etiquetas en el documento, no en las páginas, así que al extraer la página tres del prefacio obtienes un PDF de una página que todos los lectores llaman página 1, mientras que el número impreso en el diseño sigue diciendo iii. El archivo no tiene nada malo; simplemente dos sistemas de numeración distintos han dejado de coincidir.

“Un PDF distinto por página” multiplica todo lo que las páginas tenían en común, porque cada archivo tiene que ser independiente. Un subconjunto de fuentes incrustado una sola vez en el original se vuelve a incrustar en cada pieza que use un carácter suyo, y un membrete dibujado en las cuarenta páginas se guarda cuarenta veces. Un ZIP de páginas sueltas suele pesar en total más que el documento del que salió, y en un documento largo se genera por completo en memoria, que es lo que con más probabilidad hará fallar a un celular aquí.

Si buscas otra cosa

Aquí las páginas salen siempre en el orden del documento. Cuando el orden es lo importante (llevar un apéndice al principio o intercalar dos escaneos), qpdf in.pdf --pages . 9 . 1-3 . 12-14 -- out.pdf toma los rangos en la secuencia que escribas, repite una página tantas veces como la nombres y, como la entrada sigue siendo el documento principal, conserva el índice de marcadores y la información del documento que una extracción aquí no puede conservar.

Para sacar un rango de algo realmente grande (un escaneo de mil páginas o un archivo más grande de lo que puede manejar una pestaña del navegador), tanto qpdf como pdfseparate -f 5 -l 12 in.pdf page-%d.pdf de Poppler leen desde el disco en lugar de cargar primero el documento en memoria, y ninguno tiene límite de tamaño.