Extractor de archivos adjuntos en PDF

Lo que encuentra y otros extractores no

Un PDF puede llevar un adjunto en tres lugares completamente distintos, y la mayoría de las herramientas solo miran el primero.

1. El árbol de nombres /Names /EmbeddedFiles. Es un árbol equilibrado, no una lista. En cuanto un documento tiene más de unos pocos adjuntos, el productor lo divide en nodos /Kids, y una herramienta que solo lee la matriz raíz informa de cero archivos en un PDF que evidentemente tiene varios.
2. Las anotaciones /FileAttachment. El clip que ves sobre la página. El archivo cuelga de la anotación y muchas veces no está registrado en el árbol de nombres.
3. Los archivos asociados /AF. Se añadieron en PDF 2.0 y aquí está su importancia comercial: las facturas electrónicas ZUGFeRD, Factur-X, XRechnung y Order-X transportan así su XML legible por máquina. Si tu sistema contable rechaza una factura, ese es el contenido que hay que revisar.

El mismo flujo suele ser accesible por dos de esas rutas, así que los archivos se identifican por su referencia de objeto y se fusionan, mostrando todos los orígenes.

Qué se muestra de cada archivo

Nombre, descripción, tipo MIME declarado, tamaño declarado y real, fechas de creación y modificación, la suma MD5 cuando el productor la escribió, el rol /AFRelationship y la página en la que está el adjunto.

La comprobación de tipo

El tipo declarado es lo que afirma el PDF. Esta herramienta además lee los primeros bytes del archivo e informa de lo que realmente son. Un adjunto llamado notas.txt que empieza por PK es un archivo ZIP; uno que empieza por MZ es un ejecutable de Windows. Ambos se marcan, y conviene saberlo antes de abrir nada.

Vista previa y descarga

Texto, CSV, JSON y XML se muestran en línea; PNG, JPEG, GIF, WebP y BMP se representan como imágenes. El resto solo se puede descargar. Nada se ejecuta y nada se envía por la red.

Descarga un adjunto suelto o todos a la vez en un ZIP.

Privacidad

El PDF se analiza en tu navegador con JavaScript. Nunca se sube, así que los documentos confidenciales y sus adjuntos no salen de tu equipo.