Uma página digitalizada é uma imagem. Uma ferramenta que só lê texto não encontra nenhum caractere nela e informa que está tudo limpo. Para ocultar os dados de verdade, é preciso reconhecer as palavras e sua posição, cobrir os pixels na própria imagem e revisar o resultado.
Quando a ferramenta não acha nada
Muito do que chega a um escritório nunca foi texto. É a cópia do RG enviada pelo celular, o contrato passado no scanner, o prontuário do hospital em PDF. A maioria das falhas de anonimização aparece logo. Esta não: a ferramenta lê um PDF cheio de nomes e CPFs, não encontra nada e devolve um relatório limpo.
Quem recebe “nenhuma ocorrência” arquiva, envia e passa ao próximo prazo. Como nenhum erro foi registrado, ninguém investiga.
Por que a ferramenta não vê nada
Um PDF pode guardar texto de verdade ou a imagem de uma página, como faz um scanner. Na imagem, a busca por “CPF” volta vazia: só existem pixels.
A documentação da Adobe recomenda usar o recurso Reconhecer texto antes de pesquisar ou editar um PDF digitalizado no Acrobat. Até o programa de referência trata essa etapa à parte, e ela costuma ser esquecida.
O Presidio, biblioteca de código aberto criada na Microsoft, oferece a ocultação em imagens como um componente separado do analisador de texto. Uma imagem é outro problema, e o componente que localiza cada palavra não vem pronto: explicamos por que tivemos que escrevê-la.
Nos PDFs com texto, o erro clássico é outro: uma tarja preta não equivale a uma ocultação. Basta copiar o trecho tarjado e colar num editor para ler o que está por baixo.
Como ocultar uma página digitalizada
No promptShield, uma página sem texto utilizável é renderizada a 300 dpi e lida pelo Tesseract, um motor de reconhecimento de código aberto. Ele combina o pacote do idioma do documento com o de inglês.
Cada palavra reconhecida vem com a posição que ocupa na imagem. Um dado pessoal vira então uma região com coordenadas, e ocultá-lo significa cobrir os pixels dessa região na própria imagem. Um retângulo desenhado por cima pode ser removido em qualquer editor de PDF, e o original continua embaixo. Depois, o programa reconstrói a camada pesquisável sem o que foi ocultado.
Um PDF também guarda cópias do conteúdo fora da página: texto alternativo, ActualText, metadados XMP, PieceInfo, destinos internos e campos de formulário. Na exportação, o código é gravado também nesses lugares. Uma miniatura gerada antes da ocultação é descartada, porque não dá para substituir texto dentro de uma imagem.
Onde cada etapa pode falhar
O primeiro ponto fraco é o idioma. Há oito pacotes: inglês, francês, alemão, espanhol, italiano, holandês, português e polonês. Uma certidão japonesa será lida por um modelo feito para outro idioma, e o resultado parece verossímil, mas está errado. Isso é pior do que um resultado vazio, porque um nome mal lido escapa da detecção sem chamar atenção.
O segundo é a captura. Os 300 dpi não recriam o que o scanner ou o celular não registrou: um RG fotografado torto, com reflexo, perde dígitos. Se você controla a digitalização, use boa resolução e página reta. Se não controla, revise sempre.
O terceiro é a detecção. Padrões de alta precisão encontram CPF (11 dígitos), CNPJ (14) e CEP (8), um modelo treinado para isso encontra nomes e endereços, e um modelo de linguagem opcional vem desligado por padrão. Os resultados são combinados, estendidos às outras páginas e filtrados para reduzir ruído. Nenhum modelo local encontra todos os identificadores.
Por isso a revisão faz parte do fluxo. Um arquivo com áreas protegidas só pode ser baixado depois de verificado, e clicar em Baixar antes disso abre um aviso com a janela de revisão. É essa verificação que grava os códigos no Registro de códigos.
Com Codificar, o valor vira um código como [P0ABCD], que ocupa na página o espaço do original. Veja como funciona a ocultação reversível.
O que a LGPD tem a ver com isso
Pela LGPD (Lei nº 13.709/2018), o controlador decide sobre o tratamento e o operador trata dados em nome dele (art. 5º, VI e VII). Enviar um RG a um perito ou um prontuário a uma IA é tratamento e precisa de uma base legal do art. 7º. Dado de saúde é, além disso, dado sensível.
O art. 6º, X pede que o controlador demonstre medidas eficazes, e “a ferramenta não encontrou nada” não demonstra nada. As sanções do art. 52 chegam a 2% do faturamento no Brasil, limitadas a R$ 50 milhões por infração. Para advogados, há ainda o sigilo profissional (art. 34, VII da Lei nº 8.906/1994 e art. 154 do Código Penal). Ele cobre a cópia do RG tanto quanto a minuta digitada.
O que acontece no seu computador
No aplicativo de desktop, tudo acontece na sua máquina, 100% offline. O modo isolado, sem verificação de licença nem relatórios de falha, é exclusivo do plano Pro. No aplicativo gratuito do navegador, o documento também não sai do computador. Mas ele envia um sinal anônimo ao abrir, e por isso não o chamamos de offline.
Perguntas frequentes
Por que minha ferramenta não achou nada num PDF digitalizado?
Porque o arquivo só contém a imagem da página, sem caracteres. “Nenhuma ocorrência” descreve o que a ferramenta conseguiu ler, não o documento.
Ocultar dados numa digitalização deixa o arquivo sem busca?
Não, se a ferramenta reconstruir a camada de texto. O promptShield faz isso, e o arquivo final permite buscar e copiar trechos, o que o original digitalizado não permitia.
O texto removido ainda pode ser recuperado?
Se a tarja for um retângulo por cima, sim: basta apagá-lo. Se os pixels foram cobertos e as camadas ocultas também, o dado não existe mais no arquivo exportado. Ele continua no original e, se você usou Codificar, no Registro de códigos.
Preciso do idioma certo para o reconhecimento funcionar?
Sim, porque o reconhecimento compara o desenho das letras com um idioma conhecido. Uma página em outro idioma volta com palavras parecidas e erradas, e aí só a revisão manual protege.
Antes de confiar no resultado
Um programa que só lê texto relata corretamente que não viu nenhum caractere. O engano é tomar isso como um parecer sobre o documento. Antes de compartilhar RGs, contratos e prontuários digitalizados, confirme que alguém leu de fato cada página.