Como tarjar um PDF do jeito certo

De tempos em tempos, um processo judicial ou um relatório do governo vira notícia porque alguém copiou o texto «tarjado» direto do PDF. O erro é fácil de cometer: a página parece tarjada, imprime tarjada e não está. Escondemos os dados de um extrato curto de quatro jeitos diferentes e depois tentamos recuperá-los.

O teste

O documento é um extrato de conta de uma página com cinco dados que não deveriam sair do escritório: um nome, um endereço, um número de conta, um código de agência e um número de telefone. Todos são fictícios. Escondemos os dados de quatro jeitos:

1. Caixas pretas desenhadas por cima, como fazem as ferramentas de forma, realce ou comentário da maioria dos editores de PDF.
2. Uma cópia digitalizada com OCR: a página como imagem, caixas pretas pintadas sobre a imagem e a camada de texto invisível que o OCR adiciona para permitir buscas na digitalização.
3. Gravado: a página transformada em imagem com as caixas pintadas, que é o que a ferramenta para tarjar PDF faz com cada página que você marca.
4. Como referência, o original sem nada escondido.

Depois extraímos cada caractere de cada arquivo com o pdf.js, o leitor de PDF integrado ao Firefox e usado por muitos sites. É o mesmo que acontece quando alguém abre o arquivo, seleciona tudo e copia.

O que voltou

As caixas do segundo arquivo são instruções de desenho separadas, colocadas depois do texto. Um visualizador pinta o texto e depois pinta preto por cima, mas o texto continua no arquivo, com sua posição e sua fonte. Qualquer leitor que extraia texto ignora a tinta.

A digitalização é uma armadilha pior, porque parece uma imagem e as pessoas acham que imagens não vazam nada. A camada de OCR é texto real desenhado de forma invisível sobre a imagem. Pintar sobre a imagem não faz nada com ela, e nossa extração encontrou cada dado. Os apps de digitalização adicionam essa camada automaticamente quando oferecem PDF pesquisável.

Só a versão gravada saiu limpa. A página virou uma única imagem com preto onde estavam os dados, então não sobrou texto para extrair: zero caracteres na página.

Os dados que vazam em volta da página

A página não é o único lugar onde um PDF guarda informação. Nosso arquivo de teste tinha o nome do cliente no título, «Account statement for Jane Example», e como autor, porque quem o criou digitou ali. Os visualizadores mostram isso nas propriedades do documento, os buscadores indexam e tarjar a página não mexe nisso. Outros lugares que vale conferir:

• O nome do arquivo. «Silva_acordo_divorcio_tarjado.pdf» já diz muito sozinho.
• Marcadores e comentários. Um marcador com o nome de uma pessoa, ou a nota de um revisor, sobrevive a uma caixa na página.
• Versões anteriores dentro do arquivo. Editores de PDF podem salvar alterações acrescentando-as ao final, o que mantém o texto antigo no arquivo. Salvar uma cópia nova, ou gravar a tarja, remove isso.
• Anexos e campos de formulário. Ambos ficam fora do conteúdo da página.

A ferramenta de tarja remove o título e o autor por padrão e cria um documento novo, então marcadores, versões anteriores e anexos não são levados junto. As páginas que você não tarja são copiadas como estão, comentários incluídos, então apague antes os comentários que não quer compartilhar.

O tamanho das caixas pode entregar

Mesmo uma tarja perfeita mantém o tamanho e a posição do que esconde. Uma caixa sobre um nome indica mais ou menos quantas letras ele tem e, em fontes proporcionais, quais letras são largas. Quando a lista de nomes possíveis é curta, como os funcionários de uma equipe pequena, isso pode bastar para adivinhar. Para dados muito curtos ou fáceis de adivinhar, cubra a linha inteira ou use caixas da mesma largura.

Não desfoque nem pixelize texto

O desfoque e a pixelização parecem seguros, mas para texto não são. Os dois mantêm parte da informação, e pesquisadores já reconstruíram muitas vezes textos pixelizados testando palavras candidatas e comparando os resultados pixelizados. Use caixas sólidas para texto, em PDF e em capturas de tela. A ferramenta para desfocar imagens tem uma opção de cor sólida exatamente para isso.

Como tarjar um PDF do jeito certo

1. Abra a ferramenta para tarjar PDF e adicione o arquivo. Ele fica no seu dispositivo; nada é enviado.
2. Arraste uma caixa sobre cada dado, ou digite um nome ou número em Encontrar e cobrir texto para cobrir cada ocorrência em todas as páginas.
3. Confira cada página. As caixas encontradas pela busca são estimativas a partir da camada de texto, então garanta que cubram a palavra inteira.
4. Salve. As páginas com caixas viram imagens com as caixas gravadas, a 200 dpi por padrão, e as páginas sem caixas são copiadas intactas.
5. Confira o resultado: abra, selecione tudo e copie, ou passe pela extração de texto. Nada do que você cobriu deve voltar.

A contrapartida é que as páginas tarjadas perdem o texto selecionável e ficam maiores: nosso extrato de uma página foi de 2 KB para 97 KB como imagem. É o preço da certeza. Editores dedicados como o Adobe Acrobat Pro podem, em vez disso, apagar o texto sob cada marca e manter o resto da página como texto, o que também funciona, desde que você use o recurso de tarja e não uma ferramenta de desenho.