Porque quase todas partem do texto, e uma página digitalizada não tem texto. Nenhum produto da categoria diz quem deve transformar a página em texto. Essa tarefa sobra para quem tem a pilha de digitalizações e nenhum engenheiro.
O que diz um número de downloads
Muito do que chega a um escritório brasileiro ainda é papel escaneado: procurações, cópias do RG, contratos sociais, comprovantes fotografados com o celular. Na contabilidade e no RH, são extratos e fichas digitalizados. Para um computador, esses arquivos são fotografias.
O Presidio é o projeto de código aberto mais conhecido para ocultar dados pessoais. Foi criado na Microsoft e hoje é mantido pela comunidade. Seu módulo para imagens é publicado à parte, e em outubro de 2026 a Snyk contava cerca de 2.800 downloads semanais dele. A contagem muda toda semana, por isso citamos a data.
Um download não é um usuário: servidores de integração contínua reinstalam o pacote a cada compilação. Um único cartório recebe mais páginas digitalizadas numa semana. Quem tem o problema em maior volume quase nunca instala o módulo. Isso não é uma falha do Presidio, mas sim um efeito de como a categoria foi desenhada.
A etapa antes da detecção
Toda ferramenta séria de ocultação recebe uma sequência de caracteres e procura nela um CPF, um CNPJ, um nome ou um CEP. No Presidio, a entrada é analyzer.analyze(text=..., language="pt"), com um parâmetro chamado text. Os serviços em nuvem também aceitam imagens, desde que a imagem seja enviada a eles.
Antes disso, alguém precisa transformar a página em texto, e nenhum produto da categoria assume essa tarefa. Nela se decide a resolução, o idioma da leitura e se o “ç” de “Conceição” sai inteiro. O erro, aqui, não aparece: um OCR ruim devolve um texto verossímil, mas errado.
O módulo de imagens do Presidio pede que você instale o Tesseract à parte e escolha idioma, resolução e modo de segmentação. Para um engenheiro, isso é rotina. Uma advogada com uma pasta de digitalizações nem sabe que essas decisões existem.
Uma solução certa para outro tipo de cliente
O cliente típico dessas bibliotecas é uma equipe de engenharia que já tem texto: logs de aplicativos, chamados de suporte, campos de banco de dados. Para ela, começar pelo texto é o certo. Ela já tem um OCR, ou não precisa de um.
O escritório de dez pessoas não tem engenheiro. Ele roda a ferramenta numa pasta de PDFs escaneados e recebe uma lista vazia. Ninguém disse que a leitura das páginas era tarefa dele, e os fornecedores não disseram que era deles. A etapa mais difícil fica com quem está menos preparado para fazê-la.
Quem responde pela lista vazia
Uma lista vazia se parece com um bom resultado. A pessoa conclui que não havia dados pessoais e envia o documento. O CPF na cópia do RG, os dados bancários do comprovante e o CEP do contrato continuam na imagem.
Na LGPD, quem escolhe a ferramenta é o controlador, que decide sobre o tratamento (art. 5º, VI). O operador trata os dados em nome dele (inciso VII). O art. 6º, X exige que o controlador demonstre que suas medidas funcionam. Um envio a terceiros também precisa de uma base legal do art. 7º.
O art. 52 prevê multa de até 2% do faturamento no Brasil, limitada a R$ 50 milhões por infração. Para advogados, o art. 34, VII da Lei nº 8.906/1994 faz da violação do sigilo uma infração disciplinar. O art. 154 do Código Penal tipifica a violação de segredo profissional. Não cabe a nós dizer se um escritório está em ordem, mas o dever vale do mesmo modo para um arquivo nativo e para um escaneado.
Nós também partimos do texto
Nosso produto partiu da mesma premissa da categoria por mais tempo do que gostaríamos. Primeiro, decidíamos se uma imagem num PDF merecia OCR pela área que ocupava, e as pequenas eram ignoradas. Só que uma assinatura, um carimbo com CNPJ ou a foto de um RG costumam ser pequenos. O tamanho não diz nada sobre a importância.
Segundo, nosso código chamava um método que a biblioteca de PDF que usamos não tinha. A exceção ficava registrada em nível de depuração, onde ninguém olha. A função respondia “nenhuma imagem” para qualquer documento. Nenhum teste reclamava, porque a resposta errada era válida.
Terceiro, um retângulo desenhado à mão sobre uma página digitalizada não capturava nada. Ele procurava texto embaixo e só encontrava pixels. Os três foram corrigidos. Eles mostram que a leitura da página falha sem aviso, até em quem vende a solução.
Como o promptShield lê uma digitalização hoje
O aplicativo renderiza a página digitalizada a 300 dpi e roda o Tesseract com o idioma do documento mais o inglês. Ele localiza os dados pessoais como regiões da imagem, cobre esses pixels e reconstrói por baixo uma camada de texto pesquisável. Os detalhes estão em como ocultar dados em PDFs digitalizados e imagens.
O aplicativo traz oito pacotes de idioma: inglês, francês, alemão, espanhol, italiano, neerlandês, português e polonês. Um contrato em tcheco lido como português vira um texto aparentemente normal, mas cheio de erros, sem nenhum aviso.
Depois do OCR, padrões de alta precisão tratam valores de formato fixo, como CPF, CNPJ, CEP e dados bancários. Um modelo de entidades procura nomes, organizações e endereços. Um modelo de linguagem opcional vem desligado por padrão. Os resultados são combinados, deduplicados e filtrados contra ruído, e um nome achado na página 1 é marcado também na página 4.
Nenhum modelo local acha todos os identificadores, por isso você revisa o resultado antes de baixar. Na exportação, Ocultar remove o conteúdo em vez de cobri-lo com uma tarja preta. O tratamento alcança o que não está visível: ActualText e texto alternativo, metadados XMP, PieceInfo, destinos nomeados, campos de formulário e suas aparências.
Nesses lugares entra o código do valor, se ele foi codificado, ou um marcador neutro, se foi ocultado. Miniaturas geradas antes da ocultação são descartadas, porque não se faz busca e substituição numa imagem. Os códigos de Codificar valem por pasta, e o mesmo valor recebe códigos diferentes em pastas diferentes. Só um código fixado à mão vale em qualquer lugar.
O documento não sai da sua máquina, no desktop ou no aplicativo gratuito do navegador. O selo “100% offline” vale só para o desktop, porque o navegador envia um sinal anônimo de abertura. O modo sem chamada de licença e sem relatório de falhas é exclusivo do plano Pro.
Perguntas frequentes
Por que as ferramentas de ocultação não veem o texto das imagens?
Porque quase todas esperam receber texto pronto. Uma página escaneada só tem pixels, e alguém precisa fazer o OCR antes da detecção. Sem isso, sai uma lista vazia, que parece um documento sem dados pessoais.
Não é para isso que serve o módulo de imagens do Presidio?
Em parte. O módulo funciona, mas depende do Tesseract instalado à parte e deixa idioma e resolução com quem integra. Ele serve bem a uma equipe de engenharia, e menos a quem só quer proteger uma pasta de digitalizações.
Por que o processamento local importa mais num documento digitalizado?
Num arquivo nativo, dá para filtrar o texto antes de enviá-lo. Para fazer OCR num serviço remoto, você envia a página inteira, com assinaturas, carimbos, anotações à mão e a foto do RG. No promptShield, o OCR roda na sua máquina.
Quem fica com essa etapa
As bibliotecas de detecção acertaram ao começar pelo texto para o cliente que tinham. A comparação com o Presidio está em por que construímos nosso próprio mecanismo de detecção.
Se você trabalha com papel escaneado, teste qualquer fornecedor, inclusive nós. Abra uma digitalização com um CPF, rode a ferramenta e veja se ele foi achado. Se vier uma lista vazia, é sinal de que essa etapa ficou com você.