Guida · Guida pratica · Scansioni
Anonimizzare un PDF scansionato: OCR, zone e revisione
Team Anonimatum
In breve
Un PDF scansionato è un’immagine: senza OCR non c’è testo in cui cercare nomi o codici fiscali. Prima si riconosce il testo, poi si rilevano i dati, si coprono firme e timbri con zone e infine si controllano immagine e strato di testo.
Molti documenti da anonimizzare non nascono digitali: istanze protocollate in cartaceo, contratti firmati a mano, referti datati, fascicoli digitalizzati per la conservazione o per rispondere a un’istanza di accesso civico. Dopo la scansione diventano PDF pieni di fotografie di pagine. Una persona legge il codice fiscale; una ricerca per pattern no.
Questa guida spiega come trattarli: cos’è l’OCR e perché viene prima di tutto, cosa fa fallire il riconoscimento, come coprire ciò che non è testo (firme, timbri, annotazioni a mano) e come accertarsi che non resti nulla né nell’immagine né nello strato di testo nascosto.
Passo dopo passo
Verificate se il PDF contiene testo
Provate a selezionare una parola e a cercare con Ctrl+F. Nessun testo significa scansione pura; ricerche che falliscono indicano un OCR precedente scadente.
Migliorate la scansione se potete
Se avete ancora l’originale cartaceo, riscansionatelo dritto e con risoluzione sufficiente. Un buon originale evita errori di riconoscimento.
Attivate l’anonimizzazione con OCR
Caricate il PDF in Anonimatum e attivate l’opzione OCR nella configurazione. Confermate le pagine da elaborare; le pagine native non vengono rielaborate.
Scegliete pattern e opzioni IA
Selezionate i pattern utili (e-mail, telefono, IBAN…) e le categorie IA necessarie; i documenti in italiano vengono riconosciuti con il codice fiscale.
Disegnate zone per ciò che non è testo
Coprite firme, timbri, note a mano e foto con zone e salvatele come modello di figure se si ripetono.
Generate l’anteprima e correggete
Avviate l’anteprima, rivedete le segnalazioni in giallo, aggiungete i dati letti male dall’OCR e togliete i falsi positivi.
Applicate e verificate
Applicate l’anonimizzazione, scaricate il risultato e controllate immagine e strato di testo con zoom, copia-incolla e ricerca.
Cosa rende diverso un PDF scansionato
Un PDF esportato da un programma di videoscrittura memorizza caratteri. Un PDF scansionato memorizza un’immagine per pagina. Esiste una terza variante, frequente e insidiosa: la scansione a cui lo scanner o un software ha già applicato l’OCR, aggiungendo testo invisibile dietro l’immagine per renderla ricercabile. Se si disegna solo un rettangolo nero sull’immagine, il nome sparisce alla vista ma resta nello strato di testo; se si cancella solo il testo, il nome resta visibile nell’immagine.
Anonimizzare una scansione significa quindi intervenire su pixel dell’immagine e testo riconosciuto allo stesso tempo. È lo stesso principio della vera censura dei documenti, applicato a una pagina che è una fotografia.
Prima l’OCR: senza testo niente rilevamento
Il riconoscimento ottico dei caratteri (OCR) trasforma l’immagine in testo con posizione. Solo allora i pattern possono trovare un codice fiscale (VRDLCU75M41F205X, fittizio) o un IBAN e l’IA può riconoscere nomi, indirizzi o date. Senza OCR resta solo la copertura manuale zona per zona, impraticabile su un fascicolo di 80 pagine.
Cosa incide sulla qualità dell’OCR
- Risoluzione: scansioni a bassissima risoluzione confondono le lettere; per il testo si raccomandano di solito circa 300 dpi.
- Inclinazione e bordi: pagine storte, ombre della rilegatura o dita nelle foto da smartphone.
- Contrasto e macchie: fotocopie di fotocopie, carta termica sbiadita, timbri sopra il testo.
- Caratteri e tabelle: testo molto piccolo, colonne strette, moduli con caselle.
- Scrittura a mano: l’OCR per il testo stampato non la legge in modo affidabile; trattatela come immagine.
Gli errori di OCR hanno una conseguenza diretta: se uno 0 viene letto come O o manca un carattere del codice fiscale, il pattern non coincide e il dato sfugge. Per questo, nelle scansioni, la revisione umana dell’anteprima conta ancora più che in un PDF nativo.
Firme, timbri e annotazioni a mano: le zone
Alcuni dati personali non sono testo: la firma autografa, il timbro di protocollo con il nome dell’operatore, una nota a margine, la fotocopia della carta d’identità allegata alla pratica. Per questi si usano le zone, rettangoli disegnati sulla pagina che eliminano il contenuto dell’area. In Anonimatum si traccia il rettangolo e si sceglie l’ambito: pagina corrente, intervallo di pagine o intero documento.
Se lo stesso elemento compare sempre nello stesso punto, come la sigla a margine di ogni pagina di un contratto o la firma in calce a un modulo standard, conviene salvare la zona come modello di figure e riutilizzarla. La versione 1.9.0 include anche modelli di sistema per casi tipici, come i contratti con timbri laterali.
Come procedere in Anonimatum
Se il PDF caricato ha già uno strato di testo adeguato, l’OCR non viene riapplicato. Per una scansione si attiva nella configurazione l’opzione di anonimizzazione con OCR: l’applicazione indica quali pagine ne hanno bisogno e chiede conferma prima di procedere. Il motore OCR (Tesseract predefinito, oppure PaddleOCR) si sceglie nel profilo. La pagina dell’anonimizzatore di PDF scansionati riassume queste funzioni.
| Documento | Pagine con OCR | Pagine conteggiate |
|---|---|---|
| 10 pagine, tutte native | 0 | 10 |
| 10 pagine, di cui 3 scansionate | 3 | 13 |
| 10 pagine, tutte scansionate | 10 | 20 |
Come mostra la tabella, le pagine con OCR contano doppio, ma solo quelle che ne hanno davvero bisogno. Se vi serve soltanto un PDF ricercabile senza anonimizzarlo, usate lo strumento PDF con testo copiabile, elaborato nella coda dei documenti.
Verificare una scansione anonimizzata
Controlli specifici per le scansioni
- Ingrandire ogni pagina: i riquadri devono coprire del tutto il dato, compresi i tratti della firma che sporgono.
- Selezionare tutto il testo, copiarlo e incollarlo in un editor: nessun dato oscurato deve comparire nello strato OCR.
- Cercare con Ctrl+F il cognome e le sue varianti mal riconosciute (ad esempio con 0 al posto di O).
- Controllare margini, retri e pagine bianche: timbri e annotazioni spesso stanno lì.
- Verificare metadati e nome del file prima di diffonderlo.
Domande frequenti
Perché lo strumento non trova il codice fiscale nella mia scansione?
Perché senza OCR non c’è testo da analizzare. Attivate l’OCR. Se è già attivo, verificate la qualità: un solo carattere letto male basta perché il pattern non coincida.
Quanta quota consuma un PDF scansionato?
Le pagine a cui si applica l’OCR contano doppio: un documento di 10 pagine con OCR su 3 consuma 13 pagine, non 20.
Le firme autografe vengono rilevate automaticamente?
Meglio non contarci. Firme, timbri e scritte a mano si coprono con zone disegnate o modelli di figure riutilizzabili.
La mia scansione aveva già l’OCR: c’è un rischio?
Sì: lo strato di testo invisibile può contenere i dati anche se li coprite nell’immagine. Usate uno strumento che elimini entrambi e verificate copiando il testo del risultato.
Fascicoli scansionati da anonimizzare?
Scopri i piani e inizia con OCR selettivo, rilevamento IA ospitato nell’UE e zone per firme e timbri.