Extraia as imagens de um documento

As imagens de verdade, não uma fotografia da página

Quando uma foto vai parar dentro de um PDF, de um arquivo Word ou de uma apresentação, o arquivo guarda uma imagem própria, quase sempre maior do que você vê na página: uma foto de 4000 por 3000 pixels reduzida a cinco centímetros muitas vezes continua com milhares de pixels de largura, porque é o documento que a desenha pequena. Quantos pixels sobram depende do programa que salvou o arquivo, como explicado abaixo. Esta página vai buscar esse objeto e devolve para você do jeito que está.

Essa é a diferença em relação a PDF em imagens, que faz outro trabalho e o faz bem: ele fotografa a página inteira, texto incluído, e aí a foto de cinco centímetros vira os poucos pixels que ocupa nessa fotografia, recomprimida e com a página em volta. Aqui ela sai no tamanho que tem dentro do arquivo, sozinha e intacta. Se você precisa da página, use aquela. Se precisa da foto, use esta.

Os casos reais são sempre os mesmos: o catálogo em PDF do fornecedor de onde você precisa das fotos dos produtos, o TCC em Word cujas imagens originais você perdeu, os slides da conferência com o gráfico que você quer reaproveitar. Você pode carregar vários arquivos juntos, até de tipos diferentes, e as imagens vão todas parar na mesma lista.

Word, Excel, PowerPoint e LibreOffice: as imagens saem idênticas

Um .docx, um .xlsx, um .pptx e seus parentes do LibreOffice (.odt, .ods, .odp) são arquivos ZIP disfarçados: dentro há uma pasta com as imagens, salvas como arquivos próprios. Aqui o arquivo é aberto no navegador e as imagens são retiradas byte a byte, sem recomprimir e sem converter. O arquivo traz um código de verificação para cada item, o CRC: a página o recalcula em cada imagem extraída e, se não bater, avisa você em vez de entregar um arquivo danificado.

O que o arquivo não diz com todas as letras é o lugar, e a página o reconstrói lendo as relações entre as partes do documento: o nome de cada imagem indica o slide, a planilha ou a parte em que ela aparece. A ordem dos slides é a da apresentação e não a dos nomes internos, que deixam de coincidir assim que alguém move um slide: uma imagem chamada image7 por dentro pode perfeitamente estar no slide 2.

Uma coisa precisa ser dita com honestidade: o que sai é o que o programa guardou. Word e PowerPoint, por padrão, recomprimem as fotos quando você as insere e podem descartar as partes cortadas; se a foto original tinha 12 megapixels e o documento guardou 2, saem 2. O que o arquivo não contém mais não dá para devolver. As imagens vetoriais do Office (EMF e WMF) saem como estão, mas o navegador não consegue mostrá-las como prévia.

Vale o mesmo para os ebooks .epub, que também são arquivos ZIP. A miniatura que alguns programas salvam dentro do arquivo para a prévia nas pastas não conta: ela não é uma imagem do documento, é uma foto da primeira página tirada pelo programa.

Em um PDF: os JPEGs saem como estão, os outros viram PNG sem perda

Dentro de um PDF as imagens são objetos com uma cadeia de compressões por cima. As fotografias quase sempre são JPEG (em um PDF isso se chama DCTDecode), e essas saem idênticas aos bytes escritos no arquivo: sem recompressão, sem perda, com a mesma impressão digital. Se a foto foi inserida a partir de um arquivo .jpg, o que você baixa é esse arquivo.

As outras (gráficos, capturas de tela, logotipos, digitalizações em preto e branco) são pixels puros comprimidos sem perda. Aqui elas são descomprimidas e gravadas de volta como PNG, que é um formato sem perda: cada pixel tem o mesmo valor que tinha no PDF, incluindo as duas cores das digitalizações de um bit, as imagens de paleta e as de 16 bits. Se a imagem tinha transparência, que em um PDF fica em uma imagem separada, a página a anexa de novo como canal alfa do PNG. As imagens JPEG 2000 também saem como estão, como .jp2 ou .j2k.

A mesma imagem usada em trinta páginas, como o logotipo do cabeçalho, é um único objeto no arquivo e aqui sai só uma vez, com a indicação das páginas em que aparece. Funciona também entre arquivos diferentes: se você carregar cinco orçamentos com o mesmo logotipo, você o encontra uma vez só, com a lista dos arquivos.

O que não consigo extrair eu digo, não faço sumir

Algumas imagens de PDF estão em formatos que o navegador não sabe decodificar. As digitalizações em preto e branco feitas por copiadoras e scanners de escritório muitas vezes usam JBIG2 ou compressão de fax; as imagens feitas para impressão podem estar em CMYK sem JPEG ou em cores especiais. Extraí-las significaria inventar as cores, e uma imagem errada apresentada como certa é pior que um não: por isso elas aparecem em uma lista à parte, com o motivo e a página.

Depois há as imagens colocadas em linha, pequenas figuras escritas direto no conteúdo da página em vez de como objeto próprio: em geral são ícones e marcadores. Elas não saem aqui, mas a página conta em quais páginas estão e avisa.

Se um PDF tem proteção por senha, mesmo que só com restrições de impressão ou cópia, as imagens dentro dele estão criptografadas: a página reconhece isso e não entrega bytes sem sentido. Antes é preciso tirar a proteção com Remover a senha do PDF, e, para um arquivo Word ou Excel protegido, com Remover a senha de um arquivo Office. O formato antigo do Office 97-2003, .doc ou .ppt, é outra coisa e não abre aqui: basta salvá-lo como .docx ou .pptx.

Um caso que surpreende: um PDF editado várias vezes pode conter imagens que não aparecem em nenhuma página, sobras de uma versão anterior que o programa não limpou. Aqui essas também saem, marcadas como tal: pode ser justamente a foto que alguém achava ter removido.

Como baixar e como se chamam

Cada imagem tem um cartão próprio com a prévia, o tamanho em pixels, o peso e o formato, e pode ser baixada sozinha com um toque. Com o botão no alto você baixa todas juntas em um arquivo ZIP, que não as recomprime: elas continuam idênticas lá dentro também.

Os nomes dizem de onde vêm: o nome do documento, depois a página ou a parte, depois o número. Por exemplo catalogo-pag07-1.jpg é a primeira imagem encontrada na página 7 do catálogo, e relatorio-cabecalho-image1.png é o logotipo do cabeçalho do arquivo Word. Assim, mesmo depois de juntar todas em uma pasta, você sabe de onde cada uma veio.

O que ela não faz

Não transforma desenhos vetoriais em imagens. Um gráfico feito no Excel, um logotipo desenhado com traçados ou uma tabela não são imagens dentro do arquivo: são instruções de desenho, e aqui não há nada para extrair. Se você precisa da página como a vê, com tudo que está nela, use PDF em imagens.

Não recomprime e não converte. Se uma imagem extraída ficou pesada demais, Comprimir imagem a reduz; se o problema é o peso do documento inteiro, Comprimir um arquivo Office recomprime as fotos e deixa o texto como está.

Não lê o texto das imagens. Para copiar as palavras de uma digitalização ou de uma captura de tela existe Imagem para texto (OCR), e para ver a data, a câmera e o local salvos dentro de uma foto existe Leitor de EXIF de fotos: os JPEGs saem idênticos, então esses dados, se estavam lá, continuam lá.