Como tarjar um PDF do jeito certo: por que caixas pretas não bastam

O erro de tarjamento mais comum é invisível. Uma caixa preta desenhada sobre um nome parece perfeita na tela e no papel, mas, na maioria dos casos, o nome continua no arquivo, logo embaixo. Qualquer pessoa pode selecionar o texto sob a caixa e colá-lo em outro lugar, ou encontrá-lo com uma busca simples. Petições judiciais, relatórios de governos e documentos de empresas já foram publicados assim, com o texto “escondido” recuperado em segundos. Este guia explica por que cobrir não é remover, os lugares menos óbvios em que as informações se escondem em um PDF e como conferir um documento tarjado antes que ele saia das suas mãos.

Por que uma caixa preta não esconde nada

Uma página de PDF é montada em camadas, como uma pilha de folhas transparentes. O texto é desenhado em uma delas, e um retângulo preto desenhado depois fica em uma folha acima. Seus olhos só veem o topo da pilha, mas todas as camadas continuam no arquivo. Copiar, pesquisar, os programas de leitura em voz alta e os buscadores leem diretamente a camada de texto, e o retângulo não faz diferença nenhuma para eles.

O mesmo vale para a maioria das soluções rápidas:

Um realce preto ou uma forma preenchida adicionados em um visualizador de PDF são um comentário que fica por cima da página. Qualquer pessoa pode selecioná-lo e excluí-lo, ou afastá-lo.
Um realce preto no Word continua sendo texto, com formatação preta sobre preto. Quando o documento é salvo como PDF, as palavras vão junto.
Mudar a cor do texto para branco o esconde da vista, e de mais nada.

Os lugares menos óbvios em que as informações se escondem

Mesmo quando o texto visível é tratado do jeito certo, um PDF pode levar a mesma informação em lugares que ninguém olha.

A camada de texto de uma digitalização. Muitos PDFs digitalizados têm um texto de OCR invisível atrás da imagem, para que possam ser pesquisados. Cobrir a imagem de uma palavra deixa intacta essa cópia invisível dela.
Os pixels de uma imagem. Uma caixa desenhada sobre uma foto ou uma assinatura digitalizada a cobre, mas os dados da imagem por baixo estão completos. Remover a caixa, ou extrair a imagem, mostra o original.
Metadados. O título, o autor, o assunto e as palavras-chave do documento, e o próprio nome do arquivo, muitas vezes contêm exatamente os nomes que estão sendo tarjados.
Comentários, campos de formulário e marcadores. Uma nota de um revisor, o valor preenchido em um formulário ou um marcador chamado “Acordo com J. Silva” podem repetir o que a página esconde.
Anexos. Um PDF pode levar outros arquivos dentro dele, como a planilha de onde vieram os números.
Versões anteriores. Muitos editores de PDF salvam as alterações acrescentando-as ao final do arquivo, então a versão anterior ao tarjamento continua lá dentro.
Informações de acessibilidade. PDFs com marcação podem levar um texto alternativo para leitores de tela que soletra as palavras desenhadas na página.

Salvar o arquivo é uma armadilha à parte. Quando testamos um serviço de tarjamento online enquanto criávamos a nossa própria ferramenta, ele removeu as palavras da página corretamente. Mas salvou o arquivo com o conteúdo original da página ainda dentro dele, como um objeto ao qual nada fazia referência. Nenhum visualizador o mostrava e a extração de texto não encontrava nada, mas os valores tarjados podiam ser lidos direto do arquivo. Um arquivo tarjado só é tão bom quanto a forma como é gravado.

O que um tarjamento de verdade faz

O tarjamento de verdade muda o que o arquivo contém, e não só a aparência dele:

os caracteres sob cada área marcada são excluídos do conteúdo da página;
os pixels cobertos de qualquer imagem são sobrescritos na própria imagem;
os desenhos que a caixa esconde por completo são excluídos;
em seguida, uma caixa preta é desenhada no espaço vazio, como um sinal visível de que algo foi removido;
os metadados, os comentários, os campos de formulário, os marcadores, os anexos e outros conteúdos ocultos também são removidos; e
o arquivo é gravado do zero, sem versões anteriores e sem objetos que sobraram.

Há também a questão das letras que uma caixa cobre só em parte. Uma caixa que corta metade de um dígito pode deixar o bastante para ele ser lido, então uma ferramenta cuidadosa tira por inteiro uma palavra que a caixa corta, em vez de deixar metade de um número de cartão na página.

Como o Tarjar PDF funciona

Nossa ferramenta Tarjar PDF foi construída em torno dessas regras. Você abre o PDF e depois seleciona texto ou desenha caixas sobre tudo o que precisa sair, incluindo partes de imagens. O arquivo é enviado aos nossos servidores, onde é processado automaticamente e excluído cerca de cinco minutos depois que você fecha a página. O limite é de 256 MB.

O texto que uma caixa cobre é retirado do próprio arquivo. Ele é removido um caractere por vez, e uma palavra que uma caixa cobre só em parte pode ser removida inteira. Os pixels cobertos de uma imagem são apagados na imagem. Um desenho só é excluído quando uma caixa o cobre por inteiro, então uma linha ou forma que sai de baixo de uma caixa continua inteira, inclusive a parte sob o preto. Os textos e as imagens que as caixas não tocam ficam como estavam. A ferramenta também remove os metadados, os links, os comentários, os campos de formulário, os marcadores, os arquivos anexados e os scripts do documento, junto com a estrutura de acessibilidade que poderia soletrar as palavras removidas.

Depois, ela confere o próprio trabalho. Ela relê o arquivo pronto, descomprimindo cada parte do conteúdo, inclusive as que nada referencia, e procura as palavras que estavam sob as suas caixas. Se uma delas ainda estiver no arquivo, ela avisa você em vez de entregar o arquivo.

Há limites para o que qualquer ferramenta pode fazer por você. O Tarjar PDF remove o que você marca, e só isso. Se o mesmo nome aparece em outra página, em um cabeçalho ou dentro de uma imagem que você não marcou, ele fica. A verificação procura palavras que só existiam sob as suas caixas, então não tem como saber que um nome em outro ponto do documento também importa. E o tarjamento não pode ser desfeito, então guarde o seu original em um lugar seguro.

Como conferir você mesmo um PDF tarjado

Seja qual for a ferramenta, confira o resultado antes de compartilhá-lo. Leva poucos minutos:

Pesquise cada termo tarjado. Use Ctrl+F (Cmd+F em um Mac) para cada nome, número e frase que você removeu. Tente também uma parte deles, como os quatro últimos dígitos de um número.
Copie tudo. Selecione todo o texto de cada página tarjada, cole em um editor de texto simples e leia o que aparece.
Use dois leitores diferentes. Abra o arquivo em um navegador e em um leitor de PDF para computador. Eles leem os arquivos de formas diferentes, e um pode mostrar o que o outro não mostra.
Veja as propriedades do documento. Confira o título, o autor, o assunto e as palavras-chave, e confira o nome do arquivo.
Abra os painéis laterais. Veja os comentários, os marcadores, os anexos e os campos de formulário.
Leia todas as páginas. Procure a mesma informação em algum lugar que você não marcou: um cabeçalho, um rodapé, uma legenda, uma imagem, um bloco de assinatura.

Conclusão

O tarjamento diz respeito ao que está no arquivo, e não ao que está na tela. Uma caixa preta sobre o texto só o esconde, enquanto um tarjamento de verdade exclui o texto, apaga os pixels da imagem, limpa os dados ocultos e grava um arquivo limpo. Use uma ferramenta que remova o conteúdo em vez de cobri-lo, marque todos os lugares em que a informação aparece e confira o resultado como se você fosse a pessoa tentando lê-lo.

Tem um documento para tarjar? Experimente o Tarjar PDF.

← Voltar ao blog