Bilder aus einem Dokument extrahieren

Die echten Bilder, kein Foto der Seite

Wenn ein Foto in einem PDF, einer Word-Datei oder einer Präsentation landet, speichert die Datei ein eigenes Bild, fast immer größer, als du es auf der Seite siehst: Ein Foto mit 4000 mal 3000 Pixeln, auf fünf Zentimeter verkleinert, bleibt oft Tausende Pixel breit, weil erst das Dokument es klein zeichnet. Wie viele übrig bleiben, hängt vom Programm ab, mit dem es gespeichert wurde (mehr dazu weiter unten). Diese Seite holt genau dieses Objekt und gibt es dir so zurück, wie es ist.

Das ist der Unterschied zu PDF in Bilder, das eine andere Aufgabe hat und sie gut erledigt: Es fotografiert die ganze Seite, Text inklusive, und dort wird das fünf Zentimeter große Foto zu den wenigen Pixeln, die es in diesem Foto einnimmt, neu komprimiert und mit der Seite drumherum. Hier kommt es in der Größe heraus, die es in der Datei hat, für sich allein und unverändert. Brauchst du die Seite, nimm das andere Tool. Brauchst du das Foto, dieses hier.

Die echten Fälle sind immer dieselben: der PDF-Katalog des Lieferanten, aus dem du die Produktfotos brauchst, die Abschlussarbeit in Word, deren Originalbilder du verloren hast, die Konferenzfolien mit dem Diagramm, das du wiederverwenden willst. Du kannst mehrere Dateien gleichzeitig laden, auch unterschiedlicher Art, und die Bilder landen alle in derselben Liste.

Word, Excel, PowerPoint und LibreOffice: Die Bilder kommen identisch heraus

Eine .docx, eine .xlsx, eine .pptx und ihre LibreOffice-Verwandten (.odt, .ods, .odp) sind im Grunde ZIP-Archive mit anderer Dateiendung: Darin gibt es einen Ordner mit den Bildern, als eigene Dateien gespeichert. Hier wird das Archiv im Browser geöffnet, und die Bilder werden Byte für Byte herausgeholt, ohne sie neu zu komprimieren oder umzuwandeln. Das Archiv enthält für jede Datei einen Prüfcode, die CRC: Die Seite berechnet ihn für jedes extrahierte Bild neu und sagt es dir, wenn er nicht passt, statt dir eine beschädigte Datei zu geben.

Was die Datei nicht ausdrücklich sagt, ist der Ort, und den rekonstruiert die Seite aus den Beziehungen zwischen den Teilen des Dokuments: Der Name jedes Bildes nennt die Folie, das Blatt oder den Teil als Fundort. Die Reihenfolge der Folien ist die der Präsentation und nicht die der internen Namen, die auseinanderlaufen, sobald jemand eine Folie verschiebt: Ein Bild, das intern image7 heißt, kann durchaus auf Folie 2 stehen.

Eins muss man ehrlich sagen: Was herauskommt, ist das, was das Programm behalten hat. Word und PowerPoint komprimieren Fotos standardmäßig beim Einfügen neu und werfen unter Umständen die zugeschnittenen Teile weg; hatte das Originalfoto 12 Megapixel und hat das Dokument 2 behalten, kommen hier 2 heraus. Was die Datei nicht mehr enthält, lässt sich nicht zurückholen. Vektorbilder von Office (EMF und WMF) kommen unverändert heraus, aber der Browser kann sie nicht als Vorschau zeigen.

Dasselbe gilt für E-Books im Format .epub, die ebenfalls ZIP-Archive sind. Das Vorschaubild, das manche Programme für die Ordneransicht in der Datei speichern, wird nicht mitgezählt: Es ist kein Bild des Dokuments, sondern ein Abbild der ersten Seite, das das Programm erstellt hat.

In einem PDF: JPEGs kommen unverändert heraus, die anderen werden zu verlustfreiem PNG

In einem PDF sind Bilder Objekte mit einer Kette von Kompressionen darüber. Fotos sind fast immer JPEG (im PDF heißt das DCTDecode), und diese kommen identisch mit den Bytes in der Datei heraus: keine Neukomprimierung, kein Verlust, derselbe Fingerabdruck. Wurde das Foto aus einer .jpg-Datei eingefügt, ist das, was du herunterlädst, genau diese Datei.

Die anderen (Diagramme, Screenshots, Logos, Schwarz-Weiß-Scans) sind reine Pixel, verlustfrei komprimiert. Hier werden sie dekomprimiert und neu gespeichert, und zwar als PNG, einem verlustfreien Format: Jedes Pixel hat denselben Wert wie im PDF, auch bei Ein-Bit-Scans mit nur zwei Farben, bei Palettenbildern und bei Bildern mit 16 Bit. Hatte das Bild Transparenz, die im PDF in einem separaten Bild liegt, hängt die Seite sie als Alphakanal des PNG wieder an. Auch Bilder in JPEG 2000 kommen unverändert heraus, als .jp2 oder .j2k.

Dasselbe Bild, das auf dreißig Seiten verwendet wird, etwa das Logo in der Kopfzeile, ist ein einziges Objekt in der Datei und kommt hier nur einmal heraus, mit einem Hinweis auf die Seiten, auf denen es erscheint. Das funktioniert auch über verschiedene Dateien hinweg: Lädst du fünf Angebote mit demselben Logo, findest du es einmal, mit der Liste der Dateien.

Was ich nicht extrahieren kann, sage ich, statt es verschwinden zu lassen

Manche PDF-Bilder sind in Formaten, die der Browser nicht dekodieren kann. Schwarz-Weiß-Scans von Kopierern und Büroscannern verwenden oft JBIG2 oder Fax-Kompression; Bilder für den Druck können in CMYK ohne JPEG oder in Sonderfarben sein. Sie herauszuholen hieße, die Farben zu erfinden, und ein falsches Bild, das als richtig präsentiert wird, ist schlimmer als ein Nein: Deshalb erscheinen sie in einer eigenen Liste, mit Grund und Seite.

Dann gibt es die sogenannten Inline-Bilder, kleine Bilder, die direkt in den Seiteninhalt geschrieben sind statt als eigenes Objekt: Meist sind es Symbole und Aufzählungszeichen. Sie kommen hier nicht heraus, aber die Seite zählt, auf welchen Seiten es sie gibt, und sagt es dir.

Ist ein PDF passwortgeschützt, auch nur mit Einschränkungen beim Drucken oder Kopieren, sind die Bilder darin verschlüsselt: Die Seite erkennt das und gibt keine sinnlosen Bytes heraus. Der Schutz muss zuerst entfernt werden, mit PDF-Passwort entfernen, und bei einer geschützten Word- oder Excel-Datei mit Office-Passwort entfernen. Das alte Format Office 97-2003, .doc oder .ppt, ist etwas anderes und öffnet sich hier nicht: Speichere es einfach als .docx oder .pptx.

Ein Fall, der überrascht: Ein mehrfach bearbeitetes PDF kann Bilder enthalten, die auf keiner Seite erscheinen, Reste einer früheren Version, die das Programm nicht aufgeräumt hat. Hier kommen auch diese heraus, entsprechend markiert: Vielleicht ist es genau das Foto, von dem jemand dachte, er hätte es entfernt.

Herunterladen und wie die Dateien heißen

Jedes Bild hat eine eigene Karte mit der Vorschau, der Größe in Pixeln, der Dateigröße und dem Format, und lässt sich mit einem Tippen einzeln herunterladen. Mit dem Button oben holst du alle zusammen in einer ZIP-Datei, die sie nicht neu komprimiert: Auch dort bleiben sie identisch.

Die Namen sagen, woher sie kommen: zuerst der Name des Dokuments, dann die Seite oder der Teil, dann die Nummer. Zum Beispiel ist katalog-seite07-1.jpg das erste Bild auf Seite 7 des Katalogs, und bericht-kopfzeile-image1.png ist das Logo in der Kopfzeile der Word-Datei. So weißt du auch dann, woher jedes Bild stammt, wenn du alle in einen Ordner gelegt hast.

Was das Tool nicht kann

Es verwandelt keine Vektorzeichnungen in Bilder. Ein in Excel erstelltes Diagramm, ein mit Pfaden gezeichnetes Logo oder eine Tabelle sind in der Datei keine Bilder, sondern Zeichenanweisungen, und hier gibt es nichts zu extrahieren. Brauchst du die Seite so, wie du sie siehst, mit allem darauf, nutze PDF in Bilder.

Es komprimiert nicht neu und wandelt nicht um. Ist ein extrahiertes Bild zu groß, hilft Bild komprimieren weiter; ist das ganze Dokument zu groß, komprimiert Office-Datei komprimieren die Fotos neu und lässt den Text, wie er ist.

Es liest keinen Text in Bildern. Um die Wörter aus einem Scan oder Screenshot zu kopieren, gibt es Text aus Bild (OCR), und um Datum, Kamera und Standort zu sehen, die in einem Foto gespeichert sind, gibt es EXIF-Daten anzeigen: JPEGs kommen identisch heraus, diese Daten sind also noch da, falls es sie gab.