Extraire des pages isolées d’un PDF

Trois modes, trois usages

Le sélecteur de mode correspond à la raison pour laquelle vous divisez le document :

• Plages — un fichier de sortie contenant les pages indiquées, dans l’ordre où vous les avez écrites. Le mode pour extraire la partie dont vous avez besoin.
• Chaque page — un fichier par page, autant de fichiers que le document en compte. Le mode pour un lot numérisé qui aurait dû former plusieurs documents : quarante factures numérisées en une seule passe.
• Blocs — des groupes successifs de N pages, le dernier plus court. Le mode pour une limite de taille imposée ailleurs : un seuil d’envoi de 10 MB, un plafond de pièce jointe, un imprimeur qui prend vingt pages par commande.

Syntaxe des plages

La règle de l’ordre tel qu’écrit a de vraies utilisations : le résultat suit la séquence que vous avez tapée plutôt qu’une séquence triée, donc 5, 1, 3 produit un document dans cet ordre, et un numéro de page en double est parfois exactement ce qu’il vous faut quand une page de garde doit apparaître deux fois. Si le réordonnancement est tout le travail plutôt qu’un effet secondaire de la sélection, l’outil de réorganisation des pages est plus direct pour cela.

Nommer les fichiers obtenus

Une division qui produit un fichier par page ne peut pas donner le même nom à chaque fichier, donc les sorties suivent un modèle : le nom du document lui-même plus un compteur — report-1.pdf, report-2.pdf et ainsi de suite. Le modèle est modifiable, avec quatre jetons qui couvrent la plupart des besoins :

• {name} — le nom du document original sans l’extension.
• {n} — un numéro d’ordre pour la partie, à partir de 1.
• {page} — la première page de cette partie, la seule lecture de ce jeton qui survit à une division en blocs.
• {date} — la date, pour les exports que vous relancez de manière planifiée.

Signets, métadonnées et ce qui est conservé

Ce qui se retrouve dans chaque fichier de sortie, c’est tout ce qui relève de la page : le contenu des pages, les polices, les images, les dimensions, la rotation, ainsi que les annotations et les champs de formulaire présents sur ces pages. Ce qui ne se retrouve pas, c’est la structure au niveau du document. Le plan des signets est le cas visible — ses destinations pointent vers des numéros de page qui peuvent ne pas exister dans un extrait de deux pages, et un plan qui semble intact mais qui atterrit sur les mauvaises pages est pire que l’absence de plan. L’en-tête d’informations du document n’est pas transféré non plus : chaque fichier obtenu est un document neuf, et le Title et l’Author d’origine restent avec l’original.

C’est l’autre moitié de la réponse honnête : votre fichier original n’est pas modifié du tout. Il est lu, les parties sont écrites comme de nouveaux fichiers, et le document sur votre disque — signets, métadonnées, tout — reste exactement tel qu’il était.

Extraites, pas masquées

Le mode de défaillance à connaître dans tout outil de division : une implémentation qui copie le document entier et se contente de masquer les pages non sélectionnées produit un fichier qui a l’air correct et qui contient encore chaque mot supprimé, récupérable avec n’importe quel extracteur de texte. C’est la même catégorie d’erreur que l’anonymisation par rectangle noir, et c’est ainsi que les échecs d’anonymisation font les gros titres. Ici, les fichiers obtenus sont des documents nouveaux sans rien à récupérer — et vous n’êtes pas obligé de me croire sur parole : passez n’importe quel extracteur de texte sur un fichier obtenu et cherchez-y une phrase issue d’une page non sélectionnée. Elle n’y sera pas.