OCR e PDF digitalizados: anonimizar documentos sem camada de texto

Um PDF digitalizado não contém texto: contém uma imagem da página. É por isso que os anonimizadores que trabalham apenas com cadeias de texto falham sem dar sinal, e a rasura manual sobre a imagem deixa muitas vezes texto recuperável se as camadas não forem corretamente destruídas ou se um OCR posterior «ler» aquilo que julgava estar oculto.

Na administração pública, na saúde, na educação e nos escritórios de advogados, o scanner continua a ser a porta de entrada dos processos. Este guia mostra como desenhar um fluxo sério: OCR → deteção → revisão → rasura, quando gerar um PDF pesquisável, quando passar para Word com OCR e como fazê-lo com processamento na UE.

Três problemas diferentes (não os misture)

Escolher o objetivo errado é a principal razão pela qual os projetos de «OCR» não satisfazem nem o negócio nem a conformidade.

Qualidade da digitalização: aquilo de que ninguém fala e que o OCR paga

• Resolução: aponte para 300 ppp ou mais para documentos de identificação, carimbos e letra pequena.
• Contraste e inclinação: páginas tortas ou acinzentadas aumentam as confusões (0/O, 1/l).
• Páginas mistas: num ficheiro com páginas nativas e digitalizadas, é preciso detetar quais não têm texto.
• Idioma: os modelos de OCR variam consoante o idioma e o tipo de letra; valide com amostras reais do seu arquivo.
• Carimbos e assinaturas manuscritas: podem exigir zonas visuais para além do OCR de texto.

Porque é frágil a rasura manual em digitalizações

Pintar de preto sobre a imagem num editor genérico não garante a irreversibilidade: a informação pode permanecer noutras camadas ou em miniaturas, ou o operador pode saltar uma página. Sem OCR, também não saberá se há um segundo número de identificação na margem. Um fluxo com deteção automática e pré-visualização reduz esse risco operacional.

Fluxo A — Anonimizar PDF digitalizados (recomendado para publicação)

• Carregue o PDF (ou imagens/HEIC, consoante o suporte).
• O sistema deteta a ausência de camada de texto e executa o OCR.
• São propostas entidades (nomes, números de identificação, moradas, etc.).
• Revê as inclusões/exclusões na pré-visualização.
• Gera o PDF rasurado e verifica-o com uma pesquisa no resultado (se existir camada de texto) e com uma revisão visual.

Nota: o detalhe dos passos no produto pode variar consoante o plano; o essencial é não saltar a revisão humana em documentos de risco elevado.

Fluxo B — PDF pesquisável sem alterar o aspeto

Quando o arquivo e a pesquisa são importantes, mas a imagem digitalizada tem de ser preservada (carimbos, paginação original), gere um PDF com camada de texto. Utilize-o para indexar ficheiros *depois* de decidir se ainda contêm dados pessoais; se tiverem de ser publicados, anonimize primeiro ou garanta que a camada não volta a expor dados que apenas ocultou visualmente.

Fluxo C — PDF para Word com OCR (quando precisa de editar)

Se a equipa tiver de reescrever ou reutilizar o conteúdo, converta para DOCX com OCR. Depois aplique as mesmas precauções que no guia sobre Word: comentários, metadados e verificação. Não converta e partilhe o ficheiro Word sem anonimização se a digitalização original continha dados pessoais.

Checklist de conformidade para digitalizações

• O documento é apenas imagem, híbrido ou nativo?
• O fundamento jurídico e a finalidade do OCR e da anonimização estão claros?
• O processamento decorre na UE, sem LLM externos sobre o conteúdo?
• Quem valida a pré-visualização em processos sensíveis?
• São conservadas evidências da verificação (amostras, data, revisor)?
• O resultado foi testado pesquisando identificadores conhecidos?

Como o Anonimatum aborda o problema

O Anonimatum integra o OCR no fluxo de anonimização e oferece ferramentas dedicadas de PDF pesquisável e PDF para Word com OCR, com IA local em infraestrutura europeia. Assim evita encadear três fornecedores diferentes (scanner → OCR na nuvem → ferramenta de rasura) com transferências e critérios incoerentes.