Anonimizador de PDF

Como tarjar CPF em PDF de verdade

Muito PDF "tarjado" ainda tem o CPF dentro. O retângulo preto desenhado por cima esconde o número na tela, mas o texto continua no arquivo, e volta ao selecionar e copiar, ao buscar com Ctrl+F ou com qualquer programa que extrai texto de PDF.

O teste de 10 segundos

  1. Abra o PDF já tarjado.
  2. Selecione tudo (Ctrl+A), copie (Ctrl+C) e cole num bloco de notas.
  3. Busque os primeiros dígitos do CPF com Ctrl+F, no PDF e no texto colado.

Se o número aparecer, a tarja é só desenho: quem receber o arquivo consegue ler o CPF.

O que é tarjar de verdade

Tarjar de verdade, o que os programas chamam de redação, é tirar o texto do arquivo, não cobrir. Além do trecho visível, um PDF pode guardar o dado em outros lugares:

  • nos metadados (autor, título, assunto);
  • em comentários, marcadores, anexos e campos de formulário;
  • em versões anteriores, quando o arquivo é salvo como atualização do original;
  • na camada de texto invisível que o OCR cria sobre páginas escaneadas.

Passo a passo no Anonimizador de PDF

  1. Envie o PDF pela tela ou pela API.
  2. O sistema lista o que parece dado pessoal: CPF, CNPJ, RG, nomes, endereços, telefones, e-mails e outros. Página escaneada passa por OCR em português.
  3. Uma pessoa da equipe confere a lista: marca o que é sensível e desmarca o que não é.
  4. As páginas com tarja são reconstruídas como imagem, com a tarja pintada nos pixels: o texto original delas deixa de existir no arquivo. As páginas sem tarja continuam com texto selecionável.
  5. O PDF final é montado do zero, sem metadados, marcadores, anexos e formulários do original.
  6. Antes de liberar o download, cada trecho removido é procurado no texto e no conteúdo interno do PDF final. Se algo sobrou, aparece em vermelho.

Tarja preta ou rótulo [CPF]?

A tarja preta é o formato tradicional. O rótulo troca o trecho por algo como [CPF] ou [RECLAMANTE] e deixa o documento mais fácil de ler, por exemplo numa peça processual. Nos dois modos o texto original sai do arquivo do mesmo jeito.

Os limites, sem rodeio

  • A página tarjada perde o texto selecionável: ela vira imagem.
  • CPF, e-mail e telefone são achados com mais segurança do que nomes soltos no meio do texto.
  • Pistas indiretas ("a única médica da cidade") não são detectadas de forma confiável. Remover o CPF não basta se o resto do texto identifica a pessoa.
  • Por isso a revisão humana é obrigatória, e não existe modo automático.

Mais detalhes em como funciona e quais são os limites e nas perguntas frequentes.