Extrair algumas páginas de um extrato sem instalar nada

Extrair e apagar não levam ao mesmo sítio

Um PDF é uma coleção numerada de objetos — descrições de página, fontes, imagens, fluxos de instruções de desenho — com uma tabela que regista onde cada um vive e quais estão referenciados. A lista de páginas é ela própria mais um objeto, uma árvore a apontar para os objetos-página por ordem. Tirar uma página dessa árvore é uma edição pequena: a página deixa de ser mostrada e de ser contada. Se o objeto que ela apontava é também apagado do ficheiro é uma decisão separada, e muitos editores não a tomam, sobretudo quando gravam acrescentando as alterações ao fim do ficheiro em vez de o reescreverem.

A extração não tem essa ambiguidade, porque trabalha no sentido contrário. Cria um documento vazio e copia para ele apenas as páginas pedidas, com os recursos de que essas páginas precisam. Nada fica para trás porque nunca foi trazido mais nada. É toda a razão para a preferir: a garantia vem da construção, não de confiar que uma ferramenta tenha limpado atrás de si.

O retângulo preto é o erro mais caro aqui

Convém ser direto quanto a isto porque envergonhou governos, escritórios de advogados e jornais, repetidamente e em público. Uma página de PDF é desenhada por camadas, e uma anotação desenhada em último lugar fica por cima do que veio antes. Pôr um retângulo preto cheio sobre um número de conta muda o aspeto da página e não muda nada do seu conteúdo. O texto por baixo continua a ser um objeto do ficheiro. Pode ser selecionado com o cursor, copiado, extraído por qualquer ferramenta de extração de texto, e lido por um motor de busca que indexe o documento.

A maneira fiável de remover algo de uma página que mantém é impedir que o texto exista. Transforme a página em imagem, pinte sobre a zona nessa imagem para que os próprios píxeis mudem, e construa um PDF novo a partir do resultado. Perde o texto selecionável nessa página, e é esse o objetivo: já não há texto para selecionar. É um custo real — a página deixa de ser pesquisável e de ser legível por tecnologia de apoio — por isso aplique-o às páginas que precisam e não ao documento inteiro.

Os números impressos não são os números do ficheiro

Isto apanha quase toda a gente uma vez. A extração conta páginas físicas a partir de um; o número impresso na página conta o que quem desenhou o documento decidiu. Um extrato com uma capa sem número põe a página impressa 1 na física 2, por isso pedir as páginas 3 a 5 dá-lhe as impressas 2 a 4 — plausível o suficiente para não reparar, errado o suficiente para o destinatário reparar. Os relatórios anuais com páginas iniciais em numeração romana deslocam mais, e um documento montado a partir de várias fontes pode reiniciar a numeração a meio.

A cura é ler a posição física, não a etiqueta impressa. Percorra até à página que quer e anote onde fica no contador do visualizador, que conta fisicamente. Depois extraia, abra o resultado e confirme que tem o conteúdo que queria e não os números que pediu. Num documento cujas páginas são todas parecidas — doze meses da mesma maqueta de extrato — essa confirmação é a única coisa que o separa de enviar fevereiro quando lhe pediam março.

O que viaja com uma página extraída e o que fica

O conteúdo próprio da página chega intacto — texto, fontes, imagens, desenho vetorial. O que pertence ao documento e não à página normalmente não segue. Os marcadores que apontam para páginas que não levou não têm para onde ir. As ligações internas, um índice, as remissões para outras secções quebram ou desaparecem. Os campos de formulário podem sobreviver como campos ou ficar achatados conforme a ferramenta. Se algo disso importa para o que envia, verifique no ficheiro extraído em vez de assumir.

Uma coisa viaja mesmo, e não deve ser esquecida: os metadados. Autor, aplicação que o produziu, datas de criação e modificação e por vezes um histórico de edição completo vivem ao nível do documento e são frequentemente copiados para o ficheiro novo. Num documento que envia para fora da sua organização, isso pode revelar mais do que as próprias páginas — o nome de quem o preparou, o modelo interno de onde vem, o facto de ter sido modificado há uma hora.

Enviar as páginas, ou enviar tudo?

Há aqui uma tensão real, e a resposta honesta depende de quem pergunta. Um senhorio, um empregador ou um credor que pede prova de uma coisa não tem direito sobre o resto da sua vida financeira, e enviar só as páginas pertinentes é razoável e, à luz do princípio da minimização dos dados, a melhor prática. Uma administração fiscal ou um auditor que pede um período quererá normalmente todo o período, e extrair as partes que considera pertinentes parece uma seleção — a aparência de escolher as suas provas pode custar-lhe mais do que a divulgação.

Uma via média prática cobre a maioria dos casos: envie o documento completo do período pedido, retirando ao nível do píxel o que for mesmo irrelevante e sensível, em vez de omitir páginas. Assim a sequência fica intacta e verificável — os números correm sem falhas, os saldos transitam — sem entregar o que ninguém pediu. Escolha o que escolher, diga o que fez na mensagem de acompanhamento. «Páginas 3 a 5 do extrato de março» não levanta suspeita; um vazio silencioso entre a página 2 e a 6 levanta muita.

Verifique o resultado, não a operação

Todas as falhas deste artigo são invisíveis na ferramenta e visíveis na saída. O ficheiro extraído tem as páginas erradas; a página que ocultou ainda dá texto quando passa o cursor; os metadados ainda nomeiam o seu colega. Os três verificam-se em segundos no ficheiro que vai enviar, e nenhum se verifica naquele de onde partiu. Abra o resultado, conte as páginas, tente selecionar o que escondeu, e só então o anexe.

Perguntas frequentes

O destinatário consegue ver que só extraí parte do documento?

Normalmente sim, e está bem. Números de página impressos, um cabeçalho a dizer «página 3 de 12», um saldo corrente que começa a meio — tudo isso o torna evidente, e nada é problema desde que tenha dito o que enviou. É ao tentar disfarçar a extração que se torna um: um extrato parcial apresentado como completo é muito pior do que um extrato parcial descrito como parcial.

Extrair reduz o tamanho proporcionalmente?

Grosso modo, mas não exatamente, e pode surpreender nos dois sentidos. As fontes e imagens partilhadas por todo o documento têm de ser levadas se alguma página extraída as usar, por isso três páginas em doze podem pesar mais de um quarto do original. Ao invés, se as páginas descartadas tinham todas as imagens grandes, três páginas podem pesar quase nada. Julgue pelo ficheiro obtido, não pela fração de páginas.

Como verifico se uma ocultação funcionou mesmo?

Abra o ficheiro final, arraste o cursor pela zona escurecida e copie. Depois cole em qualquer caixa de texto. Se aparecer alguma coisa, a informação continua no documento e a forma preta é decoração. Faça o mesmo com a página inteira selecionada — por vezes o texto escondido é alcançável assim mesmo quando um arrasto direto parece vazio. Se a página foi transformada em imagem, nada será selecionável nela, o que é ao mesmo tempo a confirmação e o custo.

O ficheiro está protegido por palavra-passe. Ainda posso extrair páginas?

Não enquanto a proteção não for retirada, e isso exige a palavra-passe que lhe deram. A ferramenta não consegue ler a estrutura de páginas de um documento cifrado, por isso não consegue extrair páginas dele. Os extratos bancários chegam assim habitualmente, com uma palavra-passe normalmente derivada de uma data de nascimento ou de um número de cliente. Retire a proteção, extraia, e depois decida se o extrato precisa de ser protegido de novo — para algo enviado a um portal por ligação cifrada, normalmente não.

Dividir um documento grande é boa forma de passar abaixo de um limite de envio?

Muitas vezes a melhor, e melhor do que degradar o ficheiro, porque a maioria dos formulários limita cada anexo e não a submissão inteira. Duas metades de 6 MB sobem onde um ficheiro de 12 MB não sobe, e nenhuma perdeu qualidade. É sobretudo a resposta certa quando o documento tem de ficar em resolução plena porque um sistema de reconhecimento o vai ler. Nomeie as partes para a ordem ser óbvia — «extrato 1 de 2» — e diga na mensagem que está dividido.