Extrair páginas individuais de um PDF

Três modos, três tarefas

O seletor de modos corresponde ao motivo pelo qual você está dividindo em primeiro lugar:

• Ranges — um arquivo de saída contendo as páginas que você nomeou, na ordem em que escreveu. O modo para tirar a parte de que você precisa.
• Every page — uma saída por página, tantos arquivos quantos o documento tem. O modo para um lote escaneado que devia ter sido documentos separados: quarenta notas fiscais escaneadas numa passada.
• Chunks — grupos sequenciais de N páginas, com a última menor. O modo para um limite de tamanho em outro lugar: um portão de envio de 10 MB, um teto de anexo de e-mail, uma gráfica que aceita vinte páginas por serviço.

Sintaxe de intervalos

A regra da ordem como digitada tem usos reais: a saída segue a sequência que você digitou, e não uma ordenada, então 5, 1, 3 produz um documento nessa ordem, e um número de página duplicado é ocasionalmente exatamente o que você quer quando uma capa precisa aparecer duas vezes. Se reordenar é a tarefa inteira, e não um efeito colateral de selecionar, a ferramenta de reordenar páginas é o instrumento mais direto.

Nomeando as saídas

Uma divisão que produz um arquivo por página não pode dar o mesmo nome a todos, então as saídas seguem um padrão: o nome do próprio documento mais um contador — report-1.pdf, report-2.pdf e assim por diante. O padrão é editável, com quatro tokens que cobrem a maioria dos casos:

• {name} — o nome do documento original sem a extensão.
• {n} — um número sequencial para a parte, começando em 1.
• {page} — a primeira página daquela parte, a única leitura que sobrevive a uma divisão em blocos.
• {date} — a data, para exportações que você reexecuta num cronograma.

Marcadores, metadados e o que é levado junto

O que vai para cada saída é tudo o que é de nível de página: o conteúdo das páginas, fontes, imagens, dimensões, rotação, e as anotações e os campos de formulário que moram nessas páginas. O que não vai é a estrutura de nível de documento. O sumário de marcadores é o caso visível — seus destinos apontam para números de página que podem não existir num extrato de duas páginas, e um sumário que parece intacto mas cai nas páginas erradas é pior que nenhum. O cabeçalho de informações do documento também não é transferido: cada saída é um documento novo, e o Title e o Author originais ficam com o original.

O que é a outra metade da resposta honesta: seu arquivo original não é modificado em nada. Ele é lido, as partes são gravadas como arquivos novos, e o documento no seu disco — marcadores, metadados, tudo — fica exatamente como estava.

Extraído, não escondido

O modo de falha que vale conhecer em qualquer ferramenta de divisão: uma implementação que copia o documento inteiro e apenas esconde as páginas não selecionadas produz um arquivo que parece certo e ainda contém toda palavra removida, recuperável com qualquer extrator de texto. É o mesmo tipo de erro que censurar com um retângulo preto, e é assim que falhas de censura vão parar no noticiário. Aqui as saídas são documentos novos sem nada a recuperar — e você não precisa acreditar nesta página por fé: rode qualquer extrator de texto sobre uma saída e procure por uma frase de uma página não selecionada. Não vai estar lá.