Pular para o conteúdo principal
PulsarKit

Como tarjar um PDF do jeito certo (um retângulo preto não basta)

Um retângulo preto desenhado sobre um parágrafo em um PDF não remove o texto que está embaixo dele, e esse erro já fez documentos reais vazarem.

Por PulsarKit ·

Por que cobrir o texto não é o mesmo que removê-lo

Desenhar um retângulo preto sobre um parágrafo em um editor de PDF muda uma coisa só: o que aparece na tela. Passar o arquivo depois pelo Achatar PDF também não ajuda: o retângulo fica gravado na página, mas os objetos de texto embaixo dele continuam intactos. As próprias palavras ficam onde estavam, no fluxo de conteúdo interno da página. Qualquer pessoa que abra o arquivo, selecione aquela área e copie recebe o texto supostamente escondido na área de transferência em cerca de um segundo, sem ferramentas especiais, só com o mesmo leitor que todo mundo já tem. Não é um risco hipotético. Peças de processos judiciais, boletins de ocorrência e contratos do governo já vazaram assim, publicamente, mais de uma vez, porque alguém supôs, de forma compreensível, que um retângulo preto significava que a informação tinha sumido.

A única abordagem que remove o texto

Tarjar um PDF de verdade significa reconstruir a página que contém o texto sensível como uma imagem rasterizada, ou seja, uma figura, com as tarjas pintadas nesses pixels antes de a imagem ser criada, e não aplicadas depois por cima de uma página que já existe. A página nova traz essa figura no lugar dos objetos de texto originais, então não sobra no arquivo nenhum texto para selecionar, copiar ou extrair. As palavras não estão escondidas; elas sumiram. Uma ferramenta de tarja bem construída, e o Tarjar PDF é feito assim, relê o próprio resultado e se recusa a devolver o arquivo se ainda detectar qualquer texto em uma página que deveria ter sido limpa. Ela confere o próprio trabalho, em vez de supor que o processo deu certo. Essa conferência é a diferença entre uma ferramenta à qual você pode confiar uma peça de processo judicial e outra que você precisa verificar à mão toda vez.

Só as páginas em que você mexe devem mudar

Rasterizar um documento inteiro para esconder duas linhas de uma página faria o arquivo todo crescer várias vezes e acabaria com a busca de texto em todas as páginas que não tinham nada a esconder. As páginas que você não marca ficam como estavam, copiadas byte por byte, ainda selecionáveis e pesquisáveis, e com o mesmo tamanho pequeno de antes. Vale contar com uma contrapartida, em vez de ser pego de surpresa: as páginas tarjadas vão ficar visivelmente mais pesadas, porque a foto de uma página de texto ocupa algumas centenas de kilobytes, enquanto o próprio texto eram poucos kilobytes de instruções. Esse peso é o preço de as palavras terem sumido de verdade.

Um nome escondido em uma página ainda pode estar nas propriedades do documento

Tarjar o texto visível resolve só metade do problema. O título, o autor, o assunto, as palavras-chave e o programa que gerou o arquivo ficam nos metadados do documento, separados de tudo o que está desenhado em uma página. De nada adianta cobrir um nome na página quatro se esse mesmo nome aparece assim que alguém abre o painel de propriedades do arquivo. Os metadados devem ser limpos na mesma passada que remove o texto visível, ou logo em seguida com o Remover metadados de PDF, e não como um detalhe deixado para depois, nem para quem recebe o arquivo descobrir sozinho.

Encontrar todas as ocorrências, não só a que você viu

Um nome, um número de conta ou um formato de data raramente aparece uma vez só em um documento real. Uma busca no arquivo inteiro, em vez de uma revisão manual página por página, é o que encontra todas as ocorrências, e não só as duas ou três que alguém notou por acaso ao passar os olhos. Buscar por padrão, e não pela frase exata, é o que encontra coisas como um número de CPF ou de telefone em um formato regular, onde quer que apareçam, com cada resultado listado por página, para que nada que devia continuar visível seja tarjado por engano.

Por que uma página digitalizada pede uma abordagem totalmente diferente

A busca só funciona em texto de verdade, selecionável, e um documento digitalizado não tem nenhum. Desde o início ele é a imagem de uma página, então um nome digitado na caixa de busca não encontra nada nela, por mais vezes que esse nome apareça na imagem. Nesse caso, a solução é selecionar as áreas à mão em vez de buscá-las. O resultado é o mesmo nos dois casos, já que a página é rasterizada nos dois caminhos, tenha o original texto selecionável ou não.

Ferramentas usadas neste artigo

Leia também