PDFのページを抽出

抽出したページに付いてくるもの

「まっさらな新しい文書」という言葉で重要なのは新しいの部分です。ページは何もない状態から作った文書にコピーされるので、ページの内容は正確です（再圧縮も縮小もなく、フォントも画像も同じ）。一方で、元の文書レベルの付属情報は、引き継ぐ元がそもそもありません。しおりも、ページラベルも、添付ファイルも、タイトルや作成者も、フォームもありません。最後のフォームについては、ファイルを送る前に知っておくべき目に見える影響があります。入力済みの欄のウィジェットはページ上に描かれていて一緒に移るので、回答は表示されたままです。しかし、それらのウィジェットがフォームであることをリーダーに伝える辞書は移りません。抽出したフォームのページは完全に見えますが、もう入力はできません。

意外とつまずきやすいのがページラベルです。前付けにi、ii、iiiと番号を振ったレポートは、そのラベルをページではなく文書に持っています。そのため、序文の3ページ目を抽出すると、どのリーダーでも1ページ目と表示される1ページのPDFになります。一方、図柄に印刷された数字はiiiのままです。ファイルに問題があるわけではなく、2つの異なる番号体系が一致しなくなっただけです。

「1ページごとに別々のPDFに」を選ぶと、ページ間で共有されていたものがすべて複製されます。各ファイルが単体で完結している必要があるからです。元のファイルでは1回だけ埋め込まれていたフォントのサブセットが、その文字を使うすべてのファイルに改めて埋め込まれ、40ページすべてに描かれたレターヘッドは40回保存されます。1ページずつのZIPは、合計すると元の文書より大きくなることがよくあります。また長い文書ではすべてメモリ上で作成されるため、スマホではここがいちばん失敗しやすいところです。

ほかの目的には

ここでは、ページは常に文書の順番で出力されます。順番そのものが目的の場合（付録を先頭に移す、2つのスキャンを交互に組み合わせるなど）は、qpdf in.pdf --pages . 9 . 1-3 . 12-14 -- out.pdfを使えば、書いた順番どおりに範囲を並べ、指定した回数だけページを繰り返せます。入力を主文書のままにするので、ここでの抽出では失われるしおりや文書情報も残せます。

本当に大きなファイル（1,000ページのスキャンや、ブラウザのタブに収まらないほどのファイル）から範囲を取り出すなら、qpdfもPopplerのpdfseparate -f 5 -l 12 in.pdf page-%d.pdfも、文書を先にメモリに読み込まずディスクから順に処理し、サイズの上限もまったくありません。