OCR e PDF scansionati: anonimizzare documenti senza livello di testo

Un PDF scansionato non contiene testo: contiene l’immagine della pagina. Ecco perché gli strumenti di anonimizzazione che lavorano solo sulle stringhe falliscono senza segnalarlo, e l’annerimento manuale sull’immagine lascia spesso testo recuperabile se i livelli non vengono eliminati correttamente o se un OCR successivo «legge» ciò che credevi di aver nascosto.

Nella pubblica amministrazione, nella sanità, nell’istruzione e negli studi legali lo scanner resta la porta d’ingresso dei fascicoli. Questa guida ti mostra come progettare un flusso serio: OCR → rilevamento → revisione → oscuramento, quando generare un PDF ricercabile, quando passare a Word con OCR e come farlo con un’elaborazione nell’UE.

Tre problemi diversi (da non confondere)

Sbagliare obiettivo è il motivo numero uno per cui i progetti «OCR» non soddisfano né il business né la compliance.

Qualità della scansione: ciò di cui nessuno parla e che l’OCR paga

• Risoluzione: punta ad almeno 300 dpi per documenti d’identità, timbri e caratteri piccoli.
• Contrasto e inclinazione: pagine storte o grigie aumentano le confusioni (0/O, 1/l).
• Pagine miste: in un file con pagine native e scansionate bisogna individuare quelle prive di testo.
• Lingua: i modelli OCR variano a seconda della lingua e del carattere tipografico; validali con campioni reali del tuo archivio.
• Timbri e firme autografe: possono richiedere zone visive oltre all’OCR del testo.

Perché l’annerimento manuale delle scansioni è fragile

Dipingere di nero l’immagine con un editor generico non garantisce l’irreversibilità: le informazioni possono restare in altri livelli o nelle miniature, oppure l’operatore salta una pagina. Senza OCR, inoltre, non saprai se a margine c’è un secondo documento d’identità. Un flusso con rilevamento automatico e anteprima riduce questo rischio operativo.

Flusso A — Anonimizzare PDF scansionati (consigliato per la pubblicazione)

• Carica il PDF (o immagini/HEIC, a seconda dei formati supportati).
• Il sistema rileva l’assenza del livello di testo ed esegue l’OCR.
• Vengono proposte le entità (nomi, documenti d’identità, indirizzi, ecc.).
• Rivedi inclusioni ed esclusioni nell’anteprima.
• Generi il PDF oscurato e lo verifichi con una ricerca sul risultato (se esiste un livello di testo) più un controllo visivo.

Nota: il dettaglio dei passaggi nel prodotto può variare a seconda del piano; il punto critico è non saltare la revisione umana sui documenti ad alto rischio.

Flusso B — PDF ricercabile senza cambiarne l’aspetto

Quando contano l’archiviazione e la ricerca ma l’immagine della scansione va preservata (timbri, impaginazione originale), genera un PDF con livello di testo. Usalo per indicizzare i file *dopo* aver stabilito se contengono ancora dati personali; se devono essere pubblicati, anonimizza prima o assicurati che il livello non esponga di nuovo dati che avevi solo nascosto visivamente.

Flusso C — Da PDF a Word con OCR (quando devi modificare)

Se il team deve riscrivere o riutilizzare il contenuto, converti in DOCX tramite OCR. Poi applica le stesse precauzioni della guida su Word: commenti, metadati e verifica. Non convertire e condividere il file Word senza anonimizzarlo se la scansione originale conteneva dati personali.

Checklist di conformità per le scansioni

• Il documento è solo immagine, ibrido o nativo?
• La base giuridica e la finalità dell’OCR e dell’anonimizzazione sono chiare?
• L’elaborazione avviene nell’UE senza LLM esterni sul contenuto?
• Chi convalida l’anteprima sui fascicoli sensibili?
• Si conservano le prove della verifica (campioni, data, revisore)?
• L’output è stato testato cercando identificativi noti?

L’approccio di Anonimatum

Anonimatum integra l’OCR nel flusso di anonimizzazione e offre strumenti dedicati per il PDF ricercabile e la conversione da PDF a Word con OCR, con IA locale su infrastruttura europea. In questo modo eviti di concatenare tre fornitori diversi (scanner → OCR in cloud → strumento di oscuramento) con trasferimenti e criteri incoerenti.