Como dividir um PDF e extrair páginas

Quando vale a pena dividir

• Enviar só a parte que interessa, como as duas páginas de um contrato de 48 páginas que precisam ser assinadas.
• Formulários de envio que limitam o tamanho do arquivo ou o número de páginas.
• Separar uma digitalização em lote: 30 recibos passados pelo scanner de uma vez só acabam em um único arquivo. Se cada recibo ocupa uma página, “Extrair todas as páginas” gera um arquivo por recibo.
• Preparar páginas para outra ferramenta: a ferramenta PDF para JPG converte todas as páginas em um único ZIP ou salva as páginas uma de cada vez, com um clique por página. Por isso, extrair antes as páginas 5–12 de um relatório de 80 páginas resulta em um ZIP com 8 imagens em vez de 80 (veja Páginas de PDF em JPG ou PNG).

Para corrigir a ordem das páginas ou excluir algumas delas, veja Como reordenar, girar e excluir páginas de PDF.

Dois modos, três tipos de resultado

O que você baixa depende da aba e de quantas páginas estão selecionadas. Para um arquivo relatorio.pdf:

Ou seja, 1-3, 5, 8-10 gera um único arquivo de 7 páginas, e não três. Para obter seções separadas, extraia uma depois da outra: o documento continua carregado depois de um download, então digite 1-3, baixe, digite 5 e baixe de novo. Toda extração de várias páginas recebe o nome relatorio_extracted.pdf, e os navegadores costumam acrescentar um número a nomes repetidos, então renomeie os arquivos conforme for baixando.

Passo a passo

1. Abra Dividir PDF e escolha um PDF em Escolha o arquivo PDF ou arraste e solte aqui. Se você soltar vários arquivos, só o primeiro é usado.
2. Aguarde enquanto as miniaturas de todas as páginas são desenhadas. Em seguida, o nome do arquivo, o tamanho e o número de páginas aparecem acima das abas, e todas as páginas começam selecionadas.
3. Em Extração de intervalo personalizado, digite no campo Intervalo de páginas (ex.: 1-3, 5, 8-10) ou clique nas miniaturas. O campo já vem com o intervalo completo, como 1-40, então apague o conteúdo ou clique antes em Desmarcar tudo. Selecionar tudo volta a marcar todas as páginas, e um contador mostra, por exemplo, “7 de 40 páginas selecionadas”.
4. Ou mude para Extrair todas as páginas, que ignora a seleção.
5. Clique em Dividir PDF e baixar; Alterar arquivo recomeça do zero.

Clicar nas miniaturas reescreve o campo de intervalo de forma compacta: as páginas 2, 3, 4 e 9 viram 2-4, 9. As miniaturas são desenhadas em baixa resolução, então confira o conteúdo no arquivo baixado.

Como escrever intervalos de páginas

Os números são posições no arquivo, a partir de 1, como nas etiquetas abaixo das miniaturas.

• Separe os itens com vírgulas e use hífen para indicar um intervalo. Espaços antes ou depois deles não fazem diferença.
• Ordem e repetições não importam: 8-10, 1-3, 2 gera as páginas 1, 2, 3, 8, 9 e 10, na ordem original.
• 10-8 é lido como 8 a 10, e 38-45 em um arquivo de 40 páginas para na página 40. Um número isolado além da última página, ou 0, é ignorado.
• Intervalos abertos, como 5- ou -3, são ignorados; escreva 5-40.
• Só o hífen comum funciona. Uma meia-risca (–) colada de um editor de texto, como em 1–3, seleciona apenas a página 1, e o mesmo acontece com 1 3 e 1;3.

Os números impressos nas páginas muitas vezes não coincidem com as posições. Se um relatório tem uma capa e quatro páginas preliminares (i–iv) antes da página 1, a página impressa como 12 é a página 17 do arquivo (1 + 4 + 12). Confira as miniaturas destacadas antes de baixar.

Por que as partes podem somar mais que o original

Fontes e imagens usadas em muitas páginas, como uma fonte incorporada ou o logotipo do cabeçalho, geralmente ficam armazenadas uma única vez no original e são compartilhadas por todas as páginas. Cada novo arquivo precisa da própria cópia de cada recurso a que as suas páginas fazem referência. O pdf-lib copia esses recursos do jeito que estão: ele não reduz as fontes aos caracteres da página copiada nem descarta itens que uma página lista, mas não usa. Por isso, uma única página pode carregar um subconjunto de fonte criado para o documento inteiro e, em arquivos em que todas as páginas compartilham a mesma lista de recursos, todas as fontes e imagens dessa lista.

No nosso teste, criamos um relatório de texto A4 de 40 páginas com o ReportLab, do Python (duas fontes DejaVu incorporadas como subconjuntos e um logotipo JPEG de 900 × 240 pixels em todas as páginas), e o dividimos no Node.js com o pdf-lib 1.17.1, a versão da biblioteca que a ferramenta do LeedyBox carrega, usando as mesmas chamadas:

Um arquivo semelhante a uma digitalização se comportou de outro jeito: dez páginas A4 criadas com o Pillow a partir de JPEGs em tons de cinza de 1.240 × 1.754 pixels (150 dpi) somaram cerca de 2,6 MB, e as dez páginas separadas, juntas, também cerca de 2,6 MB, porque não há nada compartilhado. Seus números vão ser diferentes, mas, em resumo:

• Com menos páginas, digitalizações diminuem mais ou menos na mesma proporção (nossa extração de 7 páginas da digitalização ficou com cerca de 1,8 MB); documentos de texto mantêm um tamanho mínimo por causa das fontes e das imagens compartilhadas.
• Várias páginas em um único arquivo costumam ocupar menos espaço do que as mesmas páginas em arquivos separados.
• A ferramenta guarda os PDFs no ZIP sem comprimi-los, então o ZIP fica mais ou menos do tamanho dos arquivos que contém.

Se um arquivo continuar grande demais, veja Como comprimir um PDF.

O que os novos arquivos mantêm e o que perdem

As páginas são copiadas, não renderizadas de novo: o texto continua selecionável, as imagens não são recomprimidas, e o tamanho e a rotação das páginas são mantidos. Os links para sites nas páginas copiadas também são mantidos. Já o que pertence ao documento como um todo não é copiado, e alguns recursos das páginas dependem disso:

• Marcadores e rótulos de página (numeração personalizada, como i, ii, iii).
• Título, autor e outras propriedades do documento. Os novos arquivos indicam o pdf-lib como produtor e o momento da divisão como data de criação.
• Tags de acessibilidade, a estrutura que os leitores de tela usam para identificar títulos e a ordem de leitura: mesmo que o original tenha tags, os novos arquivos não terão.
• Links internos, como os itens de um sumário, podem não levar a lugar nenhum se a página de destino tiver ficado de fora ou se usarem um destino nomeado, que é armazenado no nível do documento. Campos de formulário podem deixar de ser preenchíveis, porque o formulário ao qual pertencem também é definido no nível do documento.
• Uma assinatura digital não continua válida: ela cobria exatamente os bytes do arquivo original, então uma assinatura que ainda aparece em uma página copiada não comprova nada sobre o novo arquivo. Guarde o original assinado.

Dividir não é uma forma segura de remover páginas sigilosas

Em um teste com o pdf-lib 1.17.1, extraímos a página 1 de um PDF de seis páginas em que a página 1 tinha um link para a página 5. O novo arquivo mostrava uma única página, e um extrator de texto encontrou apenas o texto da página 1; mesmo assim, o conteúdo da página 5 estava guardado dentro do arquivo como dados não utilizados, legível para qualquer pessoa que examine a estrutura interna do arquivo. Sumários e referências cruzadas podem arrastar outras páginas para o arquivo dessa forma. Conteúdo escondido em uma página copiada, como texto sob uma tarja preta ou fora da área visível, também é copiado. Para material confidencial, use a função de tarjamento ou de sanitização de um editor de PDF, ou envie imagens das páginas criadas com PDF para JPG. Uma imagem guarda apenas a aparência desenhada da página, sem a camada de texto nem objetos ocultos; em compensação, o texto deixa de poder ser selecionado ou pesquisado.

Problemas comuns e soluções

• “… é um PDF que o navegador não consegue ler ou está corrompido.” O arquivo pode estar danificado ou exigir senha para abrir; a ferramenta não tem campo de senha. Se for permitido, salve uma cópia sem proteção em um aplicativo no qual você possa digitar a senha.
• As miniaturas aparecem, mas a divisão falha com uma mensagem sobre criptografia. O PDF abre sem senha, mas está criptografado, que é a forma como configurações de permissão, como restrições de edição ou de impressão, são armazenadas. As pré-visualizações são desenhadas com o PDF.js, mas a divisão é feita pelo pdf-lib, que, da forma como a ferramenta o chama, recusa arquivos criptografados. A ferramenta não remove nem contorna essa proteção.
• “Selecione pelo menos uma página para extrair.” Não há nenhuma página válida selecionada, por exemplo depois de Desmarcar tudo ou com um intervalo aberto.
• Páginas erradas. Procure uma meia-risca, uma vírgula faltando ou números de página impressos.
• Lentidão com arquivos longos. Todas as miniaturas são desenhadas antes de os controles aparecerem, e até lá a barra de progresso fica parada em cerca de um quinto, então um arquivo longo pode parecer travado. “Extrair todas as páginas” também monta cada arquivo e o ZIP na memória. A ferramenta não impõe um limite de tamanho próprio, mas um celular pode falhar com um arquivo muito grande que um computador consegue processar.

Antes de enviar os arquivos

Confira o número de páginas, a primeira e a última página e o tamanho de cada arquivo, e dê a ele um nome descritivo, como contrato_paginas_assinatura.pdf. Guarde o original. Para juntar as seções de novo, use Juntar PDF. Se o original não tiver números de página impressos e uma seção extraída precisar começar em, digamos, 31, veja Como adicionar números de página a um PDF. A página carrega o PDF.js, o pdf-lib e o JSZip a partir do próprio leedybox.com, mas o seu arquivo é lido e dividido no navegador e não é enviado a um servidor do LeedyBox.

Perguntas frequentes