Экстрактор изображений из документов

• Извлечение встроенных изображений из документов Office: автоматически извлекает все встроенные изображения из документов Office Open XML (.docx, .xlsx, .pptx) путем анализа внутренней структуры ZIP-архива. Изображения находятся в папках word/media, xl/media и ppt/media — нет необходимости вручную разархивировать или искать файлы XML. Поддерживает форматы изображений JPEG, PNG, GIF, BMP, TIFF, SVG и EMF, обычно встроенные в документы Office.
• Извлечение изображений и страниц PDF: Извлечение встроенных изображений из файлов PDF путем анализа потока объектов PDF. Для PDF-файлов со встроенными потоками изображений (JPEG, PNG, TIFF) инструмент считывает и декодирует каждый объект изображения напрямую. Также поддерживается постраничный рендеринг в виде изображений PNG с использованием содержимого страницы PDF, обеспечивая запасной вариант для PDF-файлов, в которых встроенные изображения недоступны напрямую. Показывает размеры изображения, формат, положение и тип сжатия.
• Пакетный просмотр и загрузка: все извлеченные изображения отображаются в сетке галереи с миниатюрами, именами файлов, размерами, форматами и размерами файлов. Предварительный просмотр любого изображения в полном размере перед загрузкой. Загрузите отдельные изображения одним щелчком мыши или загрузите все извлеченные изображения в виде ZIP-архива для массового экспорта. Загрузка ZIP сохраняет исходное качество изображения и имена файлов.
• 100% конфиденциальная обработка на основе браузера: весь анализ документов и извлечение изображений происходит полностью в вашем браузере с использованием JSZip (для документов Office) и pdf-lib (для анализа PDF). Файлы читаются локально — данные никогда не загружаются на какой-либо сервер. Ваши документы и извлеченные изображения остаются на вашем устройстве полностью конфиденциальными. Никакой регистрации, никакой учетной записи, никакого сбора данных.

• Анализ и просмотр содержимого документа. Быстро извлекайте и просматривайте все изображения, встроенные в документы Word, электронные таблицы Excel и презентации PowerPoint, не открывая каждый файл. Идеально подходит для рецензентов контента, редакторов и аналитиков документов, которым необходимо проверять изображения в документах, проверять наличие соответствующих визуальных элементов или каталогизировать ресурсы изображений, используемые в нескольких документах.
• Восстановление ресурсов изображений из устаревших документов: восстанавливайте изображения из старых или недоступных документов Office и файлов PDF. Если исходные файлы изображений утеряны, но существуют в виде встроенных копий в документах, наш инструмент может извлечь их с исходным разрешением и качеством. Полезно для цифровых архивистов, исследователей и дизайнеров, восстанавливающих активы из устаревших архивов документов.
• Аудит безопасности изображений документов. Аналитики безопасности могут извлекать и проверять все изображения, встроенные в документы, на предмет скрытой информации, стеганографии или неприемлемого содержимого. Наш инструмент обнаруживает все встроенные изображения, включая те, которые могут быть не видны при обычном просмотре документа (например, скрытые слайды, содержимое вне слайдов или изображения в верхних и нижних колонтитулах документа).
• Проверка юридических и нормативных документов. Юристы могут извлекать и каталогизировать изображения из документов в ходе процессов обнаружения электронных данных и проверки со стороны регулирующих органов. Извлекайте все встроенные изображения из контрактов, отчетов и презентаций, чтобы обеспечить полное обнаружение документов. Изображения представлены в виде галереи с метаданными для удобства просмотра и включения в журналы доказательств.
• Миграция и преобразование контента. При переносе содержимого документа между платформами или преобразовании документов в другие форматы (например, Word в HTML, PowerPoint в веб-слайды) отдельное извлечение изображений гарантирует наличие исходных графических ресурсов для процесса преобразования. Наш инструмент предоставляет все изображения в исходном качестве для использования в веб-контенте, на платформах CMS или в программном обеспечении для дизайна.
• Обучение цифровой криминалистике. Студенты и преподаватели могут использовать наш Image Extractor, чтобы понять, как документы Office и PDF-файлы хранят встроенные медиафайлы внутри себя. Узнайте о ZIP-структуре форматов Office Open XML, узнайте, как потоки объектов PDF ссылаются на встроенные изображения, а также изучите взаимосвязь между содержимым документа и его мультимедийными ресурсами.

Современные документы Office (.docx, .xlsx, .pptx) на самом деле представляют собой ZIP-архивы, содержащие структурированную коллекцию XML-файлов и мультимедийных ресурсов. Когда вы встраиваете изображение в документ Word, электронную таблицу Excel или презентацию PowerPoint, файл изображения сохраняется в ZIP-архиве в папке мультимедиа, а файлы XML документа ссылаются на него по имени файла. Конкретно:

Изображения сохраняются в исходном формате (JPEG, PNG, GIF, BMP, TIFF, SVG, EMF) и исходном разрешении — Office по умолчанию не выполняет повторное сжатие изображений. Однако функция «Сжатие изображений» в Office может снизить качество и разрешение изображения, и это сжатие применяется перед сохранением.

• Word (.docx): изображения хранятся в папке word/media/.
• Excel (.xlsx): изображения хранятся в папке xl/media/.
• PowerPoint (.pptx): изображения хранятся в папке ppt/media/.

Документы PDF хранят изображения как объекты изображений во внутренней структуре объектов PDF. Каждое изображение представлено Image XObject, который содержит данные изображения (пиксели), размеры, цветовое пространство и биты на компонент. PDF поддерживает несколько типов кодирования изображений:

Извлечение изображений из PDF-файла более сложное, чем из документов Office, поскольку изображения можно разделить на несколько объектов, преобразовать (повернуть, масштабировать, обрезать) или сохранить с использованием кодировки, требующей распаковки. Наш инструмент обрабатывает распространенные случаи и отображает любые изображения, которые можно успешно извлечь.

• DCTDecode (JPEG): стандартные изображения, сжатые в формате JPEG — наиболее распространенный тип.
• FlateDecode (в формате PNG): изображения, сжатые по методу Deflate с использованием сжатия ZIP.
• JPXDecode (JPEG 2000): изображения, сжатые в формате JPEG 2000 — более высокая эффективность сжатия.
• CCITTFaxDecode: сжатие Fax/TIFF группы 3 или 4 — обычно для отсканированных документов.
• RunLengthDecode: простое кодирование по длине для монохромных изображений.

1. Обнаружение формата: инструмент определяет формат документа по расширению файла и магическим байтам. Документы Office (.docx, .xlsx, .pptx) обрабатываются посредством анализа ZIP, а файлы PDF (.pdf) используют анализ потока объектов PDF.
2. Извлечение документов Office: для документов Office на основе ZIP инструмент использует JSZip для перечисления всех файлов в архиве. Файлы в папках мультимедиа (word/media/, xl/media/, ppt/media/) извлекаются. Инструмент также проверяет изображения, внедренные где-либо еще (например, в отношениях верхнего и нижнего колонтитула или в виде двоичных файлов oleObject). Каждое изображение считывается как Blob с исходным типом MIME.
3. Извлечение изображений PDF: для файлов PDF инструмент использует pdf-lib для перечисления всех косвенных объектов в PDF. Объекты Image XObject (тип: XObject, подтип: Image) обнаруживаются по их словарю потоков. Необработанные данные потока изображений декодируются и преобразуются в отображаемый формат (URL-адрес Blob). Метаданные изображения (ширина, высота, цветовое пространство, количество бит на компонент, тип фильтра) извлекаются из словаря потока.
4. Галерея и загрузка: все извлеченные изображения отображаются в адаптивной сетке галереи с миниатюрами предварительного просмотра и метаданными. Отдельные изображения можно загрузить с исходным именем файла или все изображения можно загрузить вместе в виде ZIP-архива с помощью клиентского JSZip.

Наш Image Extractor from Documents обрабатывает все локально в вашем браузере. Документы читаются с помощью API FileReader и полностью анализируются в памяти с помощью JSZip (для документов Office) и pdf-lib (для анализа PDF). Никакие данные никогда не загружаются ни на один сервер. Инструмент на 100% бесплатен, без регистрации, учетной записи и ограничений на использование.

Важные ограничения: извлечение изображений из файлов PDF ограничено тем, что может декодировать pdf-lib. Поддерживаются не все кодировки PDF: CCITT Fax, JPXDecode (JPEG 2000) и зашифрованные изображения могут быть не извлечены. Очень большие документы (более 100 МБ) могут обрабатываться медленно из-за ограничений памяти браузера. Документы, защищенные паролем, не могут быть проанализированы. Изображения, сжатые с помощью функции Office «Сжать изображения», можно извлечь с уменьшенным разрешением.

Рекомендации: для обеспечения наилучшего качества изображений извлекайте изображения из документов перед применением каких-либо функций сжатия. Используйте исходные форматы документов (.docx, .xlsx, .pptx), а не старые форматы (.doc, .xls, .ppt), в которых используется формат контейнера OLE2, который этот инструмент не может проанализировать. Для извлечения PDF-файлов наилучшие результаты дают более простые PDF-файлы со стандартными изображениями, сжатыми в формате JPEG.