Cerca de 2800 descarregamentos por semana. É tudo o que pesa, em todo o mundo, a ferramenta livre mais conhecida para retirar dados pessoais de uma imagem, segundo o índice de pacotes da Snyk. Não por mês. Por semana. Coloque esse número ao lado da quantidade de contratos digitalizados, fotocópias de cartões de cidadão e consentimentos assinados que neste momento dormem nos arquivos de um escritório português, e não está a ver um atraso tecnológico. Está a ver um mercado que já escolheu o seu cliente, e esse cliente não é quem tem o documento na mão.
O pressuposto da extração
Abra a documentação de qualquer ferramenta conceituada e olhe para a primeira chamada de função. Espera uma cadeia de caracteres. O utilizador entrega texto e recebe posições — os caracteres 40 a 51 são um nome. É uma interface limpa e honesta e, para o trabalho a que se destina, é a correta.
Mas repare no que ela pressupõe. Pressupõe que o texto já existe. Alguém, algures, já transformou a página em caracteres. Chamemos-lhe o pressuposto da extração: toda a categoria arranca um passo depois da parte mais difícil do trabalho, e nunca diz em voz alta a quem cabe esse passo.
Para um programador não há problema, porque o programador é esse alguém. Tem uma coluna de base de dados, um registo de conversa, um campo JSON. O texto é o terreno onde o problema dele já vive. Para quem tem um PDF digitalizado, o pressuposto é o problema inteiro — e foi-lhe atribuído em silêncio.
A pista está nas instruções de instalação
O Presidio — o padrão de facto, nascido na Microsoft e hoje governado pela sua comunidade — tem de facto um módulo para imagens, e está bem feito. Leia como se põe a funcionar: instale o pacote Python e depois instale à parte o Tesseract OCR para o seu sistema operativo, numa versão recente; a documentação refere testes com a v5.2.0. A variante para imagiologia médica acrescenta outro aviso: oculta os pixéis, mas não limpa os dados pessoais que possam permanecer nos metadados do ficheiro.
Cada uma dessas frases é útil a um engenheiro. Nenhuma é legível para uma responsável de recursos humanos com quarenta contratos de trabalho digitalizados em cima da secretária. Não é uma falha de documentação. É uma declaração sobre a quem se destina o produto, e é honesta.
Os grandes fornecedores de nuvem fazem o mesmo, com mais faturação à mistura: vendem-lhe o reconhecimento de texto como um serviço e a deteção de entidades como outro, deixando-lhe a ligação entre os dois. Dois produtos, um projeto de integração, uma fatura. O trabalho de montagem — exatamente onde os erros acontecem — é, por construção, problema do cliente.
A resposta de quem lidera o mercado: a parte difícil faça o senhor
O Adobe Acrobat é onde a maioria das pessoas tenta a sério, e a resposta ali tem dois tempos: primeiro passe o reconhecimento de texto sobre o documento digitalizado, depois use Procurar e ocultar. Por outras palavras: faça a extração o senhor, que a partir daí assumimos nós. O mesmo pressuposto, agora com uma pessoa colocada na junta.
É nessa junta que vivem os pedidos de apoio. O reconhecimento falha sem ruído num fax de pouco contraste. A pesquisa encontra onze dos catorze nomes porque o décimo segundo foi lido com uma ligadura partida. Em momento nenhum algo assinala um erro. Pede-se-lhe que seja o controlo de qualidade de um processo que nunca lhe mostraram.
Fizemos o mesmo pressuposto. O nosso foi pior.
Gostaria de escrever isto como crítica de fora. Não posso: também nós expedimos o pressuposto da extração, em três sítios distintos, e só demos por isso quando fomos medir.
A nossa cadeia de deteção tinha de decidir se valia a pena ler uma página como imagem, e fazia a pergunta errada — «existe aqui uma imagem grande?» — usando a área como indício de importância. O nome de uma empresa numa faixa de papel timbrado ocupa cerca de meio por cento de uma folha A4. Passava ao lado. O tamanho nunca foi a pergunta. A pergunta é se existe texto desenhado por cima da imagem: texto por cima significa marca de água ou fundo, e ausência de texto por cima significa que a extração ali está cega, seja qual for o tamanho.
Pior ainda: a função encarregue de verificar se uma página continha imagens incorporadas chamava um método que a nossa biblioteca de PDF não possuía. O erro era engolido ao nível de depuração. Respondia «não há imagens aqui» durante todo o tempo em que essa dependência esteve fixada, incluindo numa página composta em 65 % por imagem. Um falso silencioso é indistinguível de uma resposta correta, e foi exatamente assim que sobreviveu.
E quando alguém traçava à mão um retângulo de ocultação sobre um timbre digitalizado, o nosso editor lia a camada de texto da página, não encontrava nada dentro do retângulo e não capturava nada. A pessoa assinalava precisamente aquilo que mais queria ver desaparecer, e nós não o removíamos, em silêncio. Numa página que acabáramos de ler, antes de deitarmos fora as suas palavras.
Três erros, uma só causa de raiz, e é a mesma do mercado: fomos buscar o texto e tratámos a imagem como o passo de outra pessoa.
Quem paga a falha silenciosa
Uma ferramenta que estoira é irritante. Uma ferramenta que anuncia «nenhum dado pessoal encontrado» numa página cheia de nomes é outra coisa: não falha, passa um atestado de boa saúde e transfere a responsabilidade para alguém que não tem como a auditar.
Pense em quem guarda realmente documentos digitalizados. Não a equipa de plataforma de um grande banco: ali há engenheiros e o texto já existe. São o escritório de dois advogados, o centro de saúde que digitaliza fichas de admissão, a técnica de serviço social com a fotocópia de um cartão de cidadão, a gestora de pessoal com promessas de contrato assinadas. Os documentos em forma de imagem são, de forma desproporcionada, os sensíveis — e quem os guarda é, na mesma medida, incapaz de escrever a integração que todo o mercado de ferramentas presume que escreverá.
São também os que pior absorvem o que acontece quando corre mal. O engenheiro que liga mal uma cadeia de ocultação abre um bilhete de incidente. A pessoa cuja fotocópia do cartão de cidadão saiu em claro recorre à CNPD, e ao abrigo do RGPD a violação tem de ser notificada em 72 horas.
O que muda quando se constrói para o outro cliente
Muda a entrada. A unidade de trabalho passa a ser a página tal como existe, imagem incluída, e não uma cadeia de caracteres que outra pessoa deveria ter produzido.
Em concreto: o reconhecimento de texto não é um passo prévio que o utilizador lança, está dentro da cadeia. Um retângulo traçado à mão que não apanha palavra nenhuma volta a ler a sua própria página, para que uma correção manual nunca possa ficar sem efeito. Os nomes detetados tornam-se retângulos pintados sobre os pixéis, com uma camada de texto pesquisável reconstruída por baixo para que o ficheiro continue utilizável. Se quiser a mecânica em vez do argumento, descrevemo-la em como ocultar PDF digitalizados e imagens.
Nada disto é mais engenhoso do que aquilo que os autores do Presidio construíram. São as mesmas peças, dispostas para alguém que nunca iria abrir um terminal. E corre na máquina onde o documento já está, o que, tratando-se da cópia de um passaporte, não é uma preferência.
Perguntas frequentes
Porque é que as ferramentas de ocultação não veem o texto dentro das imagens?
Porque a maioria nunca olha para a imagem. O seu ponto de entrada aceita texto, por isso uma página digitalizada chega sem nada para procurar e sai com «nenhum resultado», em silêncio. A imagem tem de ser tratada como a entrada, e não como um passo que o utilizador executa antes.
Não é exatamente para isso que serve o módulo de imagens do Presidio?
É, e funciona. Também é um pacote Python que espera que seja o utilizador a instalar um motor de reconhecimento de texto: pedido razoável a um programador e impossível para a maioria de quem tem digitalizações guardadas. Onde o seu motor de texto encaixa e onde não encaixa escrevemos em porque construímos o nosso próprio motor em vez de distribuir o Presidio.
Porque é que o processamento local pesa mais nos documentos digitalizados?
Porque as digitalizações pendem para o sensível: documentos de identificação, fichas clínicas, acordos assinados. Enviá-las para um serviço para que lhes retire os segredos significa que os segredos chegam primeiro a esse serviço, que é o risco que se corre quando o próprio documento é a coisa sensível.
Em resumo
Se ocultar um PDF cheio de imagens continua tão difícil, não é por o problema estar por resolver. Cada peça existe há anos. É que as peças foram desenhadas e tarifadas para programadores que trabalham sobre fluxos de texto, e a montagem — a parte cara, a que parte — ficou para quem calhasse ter o ficheiro na mão.
A maioria não são programadores. É alguém a um balcão, a tirar cópia de um documento que um desconhecido acabou de estender porque precisava de alguma coisa: um emprego, um tratamento, uma casa. Essa pessoa não consentiu numa cadeia de processamento. Consentiu que um escritório, numa tarde, tivesse cuidado com uma folha de papel que fala dela. Aquilo que construímos devia tornar esse cuidado a regra, e não algo que só se merece sendo suficientemente técnico.
O promptShield executa o reconhecimento de texto, a deteção e a ocultação de PDF e imagens digitalizados na sua própria máquina — nenhum pacote para instalar, nenhum passo de reconhecimento prévio e nada que seja carregado para lado nenhum. Experimente-o na digitalização que a sua ferramenta atual dá por limpa.