PDF 埋め込みファイル抽出

ほかの抽出ツールが見落とすもの

PDF は互いに無関係な三か所に添付ファイルを持てますが、多くのツールは最初の一か所しか見ていません。

1. /Names /EmbeddedFiles 名前ツリー。 これはリストではなく平衡木です。添付が数個を超えると作成ソフトは /Kids ノードに分割するため、ルート配列しか読まないツールは、明らかに複数の添付を持つ PDF に対して「0 件」と報告します。
2. /FileAttachment 注釈。 ページ上に見えるクリップです。ファイルは注釈にぶら下がっており、名前ツリーには登録されていないことが少なくありません。
3. /AF 関連ファイル。 PDF 2.0 で追加されたもので、実務上の意味はここにあります。ZUGFeRD、Factur-X、XRechnung、Order-X といった電子請求書は、機械可読の XML をこの方法で運びます。会計システムが請求書を弾いたとき、確認すべきはこのデータです。

同じストリームが二つの経路から到達できることも多いため、オブジェクト参照で突き合わせて統合し、見つかった経路をすべて表示します。

ファイルごとに分かること

名前、説明、宣言された MIME タイプ、宣言サイズと実サイズ、作成日時と更新日時、作成ソフトが書き込んでいれば MD5 チェックサム、/AFRelationship の役割、そして添付されているページ番号です。

型の照合

宣言された型はあくまで PDF の主張です。本ツールはファイル先頭のバイト列も読み、実際に何であるかを報告します。notes.txt という名前なのに PK で始まる添付は ZIP 書庫であり、MZ で始まるものは Windows の実行ファイルです。どちらも警告表示され、何かを開く前に知っておく価値があります。

プレビューとダウンロード

テキスト、CSV、JSON、XML はその場で表示し、PNG・JPEG・GIF・WebP・BMP は画像として描画します。それ以外はダウンロードのみです。実行されるものは何もなく、ネットワークに送られるものもありません。

添付を個別に、あるいはまとめて ZIP でダウンロードできます。

プライバシー

PDF はブラウザ内の JavaScript で解析され、アップロードされることはありません。機密文書とその添付は自分の端末から出ません。