Un PDF escaneado es una foto del texto. Una herramienta que busca caracteres no encuentra ninguno y responde «0 coincidencias», aunque la página lleve nombres, domicilios y un DNI. Para tachar un escaneo hay que reconocer antes el texto.
Un resultado limpio que engaña
Casi todos los fallos de una herramienta de anonimización se notan: un error, un archivo que no abre. Con un escaneo, la herramienta devuelve un resultado limpio sobre una página llena de datos. Lo lógico es creerla, y como nada ha fallado, nadie investiga.
Además, los escaneos suelen ser lo más delicado: copias del DNI e historiales clínicos en papel, contratos firmados a mano, notas de una entrevista. Es material bajo secreto profesional, y los datos de salud son categoría especial en el RGPD.
promptShield reconoce y tacha escaneos. Su límite, el idioma, se explica más abajo.
Por qué no aparece nada
Un PDF de un procesador de textos contiene caracteres. Un escaneo, o una foto del DNI hecha con el móvil, contiene solo imágenes. La detección trabaja sobre caracteres, así que el recuento correcto es cero.
Adobe lo reconoce en su documentación: un PDF escaneado debe pasar por Reconocer texto en Acrobat antes de buscarse o editarse. Es un paso aparte que hay que recordar, y es el que se olvida con veinte escaneos pendientes.
Presidio, el proyecto de código abierto nacido en Microsoft, separa por diseño su componente para imágenes, presidio-image-redactor, de su analizador de texto. Una imagen es otro problema, y un flujo pensado para texto no lo cubre.
Tres pasos para tachar una imagen
Leer las palabras y su posición. Al abrir el documento en la Biblioteca, promptShield convierte cada página en una imagen de 300 ppp. La pasa por Tesseract, el motor de código abierto, con el idioma del documento y el inglés. Obtiene el texto y el recuadro de cada palabra, y por eso escribimos nuestro propio motor.
Sobre ese texto actúa la detección por capas: patrones para lo que tiene forma fija, como un IBAN, y un modelo que reconoce nombres. El Análisis profundo es opcional y viene desactivado. Ninguna capa encuentra cada dato.
Sustituir los píxeles, sin dibujar encima. Una caja negra sobre la imagen es una anotación que se puede borrar, con la foto intacta debajo. Por eso «se ve negro» no demuestra nada. promptShield sustituye los píxeles de cada región, y no queda ninguno del dato original. Vale igual para los PDF de texto (por qué un rectángulo negro no basta).
Reconstruir el texto debajo. La página exportada lleva una capa de texto invisible, así que el PDF se puede buscar sin los datos retirados. La exportación también trata lo que no se ve: metadatos, texto alternativo y campos de formulario. La miniatura previa se elimina, porque en una imagen no se puede buscar y reemplazar.
El límite del idioma
El reconocimiento compara lo que ve con un modelo de la lengua. promptShield incluye ocho paquetes de idioma: español, inglés, francés, alemán, italiano, neerlandés, portugués y polaco. Un escaneo en catalán, euskera o gallego se lee con el modelo castellano.
El resultado es una transcripción verosímil y errónea, con apellidos deformados que la detección no reconoce. Eso es peor que una página vacía, que al menos despierta sospechas. Con esos escaneos, lea la transcripción en la revisión antes de fiarse.
Tachar o Codificar
Tachar retira el dato para siempre: no queda nada que restaurar. Codificar pone un código reversible, como [P0ABCD], y guarda la correspondencia en el Registro de códigos de su equipo. La longitud del código sigue la del original, con un mínimo de seis caracteres, y ocupa el mismo hueco. Es solo un ejemplo del formato.
Dentro de una carpeta, el mismo valor recibe el mismo código, y cambia de una carpeta a otra. Decodificar restituye los valores en su equipo (cómo funciona un tachado reversible).
Un archivo con regiones protegidas no se descarga hasta verificarlas en Revisar. Si pulsa Descargar antes, un aviso explica qué falta y abre la revisión. Verificar también inscribe los códigos en el Registro. En un escaneo, esa revisión comprueba además que el reconocimiento leyó bien la página.
Dónde se reconoce el texto
Muchos servicios de reconocimiento funcionan en la nube. Un servicio que trata esos documentos por cuenta del despacho es encargado del tratamiento. El artículo 28 del RGPD exige un contrato con él, y es lo primero que pediría la AEPD. A eso se suman la LOPDGDD y el secreto profesional.
En la aplicación de escritorio, todo ocurre en el mismo equipo. Es el único entorno que llamamos «100 % sin conexión», y el plan Pro añade un modo aislado sin comprobación de licencia ni informes de errores. La aplicación gratuita del navegador trabaja en local y el documento no sale del equipo, pero envía un aviso anónimo al iniciarse.
El Análisis profundo tiene un modo de API remota que envía texto de las páginas al servicio que usted elija. Si lo activa, vuelve a necesitar el contrato del artículo 28.
Preguntas frecuentes
¿Por qué mi herramienta no ha encontrado nada en un PDF escaneado?
Porque no había texto que encontrar, solo una imagen por página. Pruebe a seleccionar una palabra con el cursor o a buscarla con Ctrl+F. Si no puede, la página necesita reconocimiento de texto antes de cualquier tachado.
¿Se puede recuperar el texto tachado?
Del archivo exportado, no. Si va a necesitar el valor, use Codificar, y Decodificar lo restituirá desde el Registro de códigos de su equipo. Ese registro no está cifrado, a propósito, así que protéjalo como los originales.
¿Hace falta el idioma correcto para el reconocimiento?
Sí, porque Tesseract lee mucho mejor con el modelo de la lengua del documento, y promptShield incluye ocho, combinados con el inglés. Un documento en catalán, euskera o gallego dará una transcripción plausible con errores, así que revísela antes de fiarse.
Antes de dar por bueno el cero
Cuando un escaneo devuelve cero hallazgos, desconfíe de ese cero. Compruebe si el texto se puede seleccionar, en qué idioma se leyó y qué vio el reconocimiento. Si el tachado falla, lo sufre un tercero, como la paciente cuyo historial circula con su nombre.