Extrair páginas de PDF

O que uma página extraída leva consigo

A palavra a levar a sério em “um documento novo e limpo” é novo. Suas páginas são copiadas para um documento criado do zero, então o conteúdo da página é exato — sem recompressão, sem redimensionamento, as mesmas fontes e as mesmas imagens —, enquanto a estrutura do documento original simplesmente não está lá para ser herdada. Sem sumário, sem rótulos de página, sem anexos, sem título nem autor, e sem formulário. Esse último tem uma consequência visível que vale saber antes de enviar o arquivo: o widget de um campo preenchido é desenhado na página e vem junto, então as respostas continuam aparecendo, mas o dicionário que dizia aos leitores que aqueles widgets eram um formulário não vem. Uma página de formulário extraída parece completa e não pode mais ser preenchida.

Os rótulos de página são o que mais pega as pessoas de surpresa. Um relatório cujas páginas iniciais são numeradas i, ii, iii guarda esses rótulos no documento, não nas páginas, então extrair a página três do prefácio dá um PDF de uma página que todo leitor chama de página 1 — enquanto o numeral impresso na arte continua dizendo iii. Não há nada de errado com o arquivo; dois sistemas de numeração diferentes simplesmente deixaram de concordar.

“Um PDF separado para cada página” multiplica tudo o que as páginas tinham em comum, porque cada arquivo precisa ser independente. Um subconjunto de fonte incorporado uma vez no original é incorporado de novo em cada pedaço que usa um caractere dele, e um papel timbrado desenhado nas quarenta páginas é armazenado quarenta vezes. Um ZIP de páginas avulsas costuma somar mais do que o documento de onde veio e, em um documento longo, é montado inteiro na memória, o que é o mais provável de derrubar um celular aqui.

Quando você precisa de outra coisa

Aqui as páginas saem sempre na ordem do documento. Quando a ordem é o que importa — trazer um apêndice para a frente ou intercalar duas digitalizações —, qpdf in.pdf --pages . 9 . 1-3 . 12-14 -- out.pdf aceita intervalos na sequência em que você os escrever, repete uma página quantas vezes você a citar e, como a entrada continua sendo o documento principal, mantém o sumário e as informações do documento que uma extração aqui não consegue manter.

Para tirar um intervalo de algo realmente grande — uma digitalização de mil páginas ou um arquivo maior do que uma aba do navegador aguenta —, tanto o qpdf quanto o pdfseparate -f 5 -l 12 in.pdf page-%d.pdf do Poppler leem direto do disco em vez de carregar o documento na memória primeiro, e nenhum dos dois tem limite de tamanho.