Extrator de imagens de documentos

• Extração de imagens incorporadas de documentos do Office: extrai automaticamente todas as imagens incorporadas de documentos Office Open XML (.docx, .xlsx, .pptx) analisando a estrutura interna do arquivo ZIP. As imagens são encontradas nas pastas word/media, xl/media e ppt/media - não há necessidade de descompactar manualmente ou pesquisar arquivos XML. Suporta formatos de imagem JPEG, PNG, GIF, BMP, TIFF, SVG e EMF comumente incorporados em documentos do Office.
• Extração de imagens e páginas de PDF: extrai imagens incorporadas de arquivos PDF analisando o fluxo de objetos PDF. Para PDFs com fluxos de imagens incorporados (JPEG, PNG, TIFF), a ferramenta lê e decodifica cada objeto de imagem diretamente. Também oferece suporte à renderização página por página como imagens PNG usando conteúdo de página PDF, fornecendo um substituto para PDFs onde as imagens incorporadas não são diretamente acessíveis. Mostra dimensões, formato, posição e tipo de compactação da imagem.
• Visualização e download em lote: todas as imagens extraídas são exibidas em uma grade de galeria com miniaturas, nomes de arquivos, dimensões, formatos e tamanhos de arquivo. Visualize qualquer imagem em tamanho real antes de fazer o download. Baixe imagens individuais com um clique ou baixe todas as imagens extraídas como um arquivo ZIP para exportação em massa. O download ZIP preserva a qualidade da imagem e os nomes dos arquivos originais.
• Processamento 100% privado baseado em navegador: toda a análise de documentos e extração de imagens acontece inteiramente em seu navegador usando JSZip (para documentos do Office) e pdf-lib (para análise de PDF). Os arquivos são lidos localmente - nenhum dado é carregado em nenhum servidor. Seus documentos e imagens extraídas permanecem totalmente privados no seu dispositivo. Sem inscrição, sem conta, sem coleta de dados.

• Análise e revisão de conteúdo de documentos: extraia e revise rapidamente todas as imagens incorporadas em documentos do Word, planilhas do Excel e apresentações do PowerPoint sem abrir cada arquivo. Perfeito para revisores de conteúdo, editores e analistas de documentos que precisam verificar imagens em documentos, verificar recursos visuais apropriados ou catalogar ativos de imagem usados ​​em vários documentos.
• Recuperação de ativos de imagem de documentos legados: recupere imagens de documentos antigos ou inacessíveis do Office e arquivos PDF. Quando os arquivos de imagem originais são perdidos, mas existem como cópias incorporadas nos documentos, nossa ferramenta pode extraí-los com sua resolução e qualidade originais. Útil para arquivistas digitais, pesquisadores e designers que recuperam ativos de arquivos de documentos legados.
• Auditoria de segurança de imagens de documentos: Os analistas de segurança podem extrair e inspecionar todas as imagens incorporadas em documentos para verificar informações ocultas, esteganografia ou conteúdo impróprio. Nossa ferramenta revela todas as imagens incorporadas, incluindo aquelas que podem não ser visíveis na visualização normal do documento (por exemplo, slides ocultos, conteúdo fora do slide ou imagens em cabeçalhos/rodapés de documentos).
• Revisão de documentos jurídicos e regulatórios: os profissionais jurídicos podem extrair e catalogar imagens de documentos durante processos de descoberta eletrônica e revisão regulatória. Extraia todas as imagens incorporadas de contratos, relatórios e apresentações para garantir a descoberta completa de documentos. As imagens são apresentadas em uma galeria com metadados para fácil revisão e inclusão em registros de evidências.
• Migração e conversão de conteúdo: ao migrar o conteúdo do documento entre plataformas ou converter documentos para formatos diferentes (por exemplo, Word para HTML, PowerPoint para slides da web), a extração de imagens separadamente garante que você tenha os recursos de imagem originais para o processo de conversão. Nossa ferramenta fornece todas as imagens com qualidade original para uso em conteúdo da web, plataformas CMS ou software de design.
• Educação forense digital: estudantes e educadores podem usar nosso extrator de imagens para entender como documentos do Office e PDFs armazenam mídia incorporada internamente. Saiba mais sobre a estrutura baseada em ZIP dos formatos Office Open XML, explore como os fluxos de objetos PDF fazem referência a imagens incorporadas e estude a relação entre o conteúdo do documento e seus ativos de mídia.

Os documentos modernos do Office (.docx, .xlsx, .pptx) são, na verdade, arquivos ZIP que contêm uma coleção estruturada de arquivos XML e ativos de mídia. Quando você incorpora uma imagem em um documento do Word, planilha do Excel ou apresentação do PowerPoint, o arquivo de imagem é armazenado dentro do arquivo ZIP em uma pasta de mídia, enquanto os arquivos XML do documento fazem referência a ele por nome de arquivo. Especificamente:

As imagens são armazenadas em seu formato original (JPEG, PNG, GIF, BMP, TIFF, SVG, EMF) e em sua resolução original - o Office não recompacta imagens por padrão. No entanto, o recurso “Compactar imagens” do Office pode reduzir a qualidade e a resolução da imagem, e essa compactação é aplicada antes de salvar.

• Word (.docx): As imagens são armazenadas na pasta word/media/
• Excel (.xlsx): As imagens são armazenadas na pasta xl/media/
• PowerPoint (.pptx): As imagens são armazenadas na pasta ppt/media/

Os documentos PDF armazenam imagens como objetos de imagem na estrutura interna de objetos do PDF. Cada imagem é representada por um Image XObject que contém os dados da imagem (pixels), dimensões, espaço de cores e bits por componente. PDF oferece suporte a vários tipos de codificação de imagem:

Extrair imagens de PDF é mais complexo do que de documentos do Office porque as imagens podem ser divididas em vários objetos, transformadas (giradas, dimensionadas, cortadas) ou armazenadas com codificação que requer descompactação. Nossa ferramenta lida com os casos comuns e exibe todas as imagens que podem ser extraídas com sucesso.

• DCTDecode (JPEG): imagens compactadas em JPEG padrão – o tipo mais comum
• FlateDecode (semelhante a PNG): imagens compactadas desinfladas usando compactação ZIP
• JPXDecode (JPEG 2000): imagens compactadas JPEG 2000 - maior eficiência de compactação
• CCITTFaxDecode: compactação Fax/TIFF Grupo 3 ou 4 - comum para documentos digitalizados
• RunLengthDecode: codificação simples de comprimento de execução para imagens monocromáticas

1. Detecção de formato: A ferramenta identifica o formato do documento por extensão de arquivo e bytes mágicos. Documentos do Office (.docx, .xlsx, .pptx) são processados ​​por meio de análise ZIP, enquanto arquivos PDF (.pdf) usam análise de fluxo de objetos PDF.
2. Extração de documentos do Office: para documentos do Office baseados em ZIP, a ferramenta usa JSZip para enumerar todos os arquivos no arquivo. Arquivos em pastas de mídia (word/media/, xl/media/, ppt/media/) são extraídos. A ferramenta também verifica imagens incorporadas em outros lugares (por exemplo, em relacionamentos de cabeçalho/rodapé ou como binários oleObject). Cada imagem é lida como um Blob com seu tipo MIME original.
3. Extração de imagem PDF: Para arquivos PDF, a ferramenta usa pdf-lib para enumerar todos os objetos indiretos no PDF. Image XObjects (tipo: XObject, subtipo: Image) são detectados pelo seu dicionário de fluxo. Os dados brutos do fluxo de imagem são decodificados e convertidos em um formato exibível (Blob URL). Os metadados da imagem (largura, altura, espaço de cores, bits por componente, tipo de filtro) são extraídos do dicionário de fluxo.
4. Galeria e download: todas as imagens extraídas são exibidas em uma grade de galeria responsiva com miniaturas e metadados de visualização. Imagens individuais podem ser baixadas com seu nome de arquivo original ou todas as imagens podem ser baixadas juntas como um arquivo ZIP usando JSZip do lado do cliente.

Nosso Extrator de Imagens de Documentos processa tudo localmente em seu navegador. Os documentos são lidos usando a API FileReader e analisados ​​inteiramente na memória usando JSZip (para documentos do Office) e pdf-lib (para análise de PDF). Nenhum dado é carregado em nenhum servidor. A ferramenta é 100% gratuita, sem inscrição, sem conta e sem limites de uso.

Limitações importantes: A extração de imagens de arquivos PDF é limitada pelo que o pdf-lib pode decodificar. Nem todas as codificações de PDF são suportadas - CCITT Fax, JPXDecode (JPEG 2000) e imagens criptografadas podem não ser extraídas. Documentos muito grandes (acima de 100 MB) podem demorar para serem processados ​​devido aos limites de memória do navegador. Documentos protegidos por senha não podem ser analisados. As imagens que foram compactadas usando o recurso "Compactar Imagens" do Office podem ser extraídas em resolução reduzida.

Práticas recomendadas: para obter melhor qualidade de imagem, extraia imagens de documentos antes de aplicar qualquer recurso de compactação. Use formatos de documento originais (.docx, .xlsx, .pptx) em vez de formatos mais antigos (.doc, .xls, .ppt) que usam o formato de contêiner OLE2 que esta ferramenta não pode analisar. Para extração de PDF, PDFs mais simples com imagens compactadas em JPEG padrão fornecem os melhores resultados.