Guia · Guia prático · Digitalizações
Anonimizar um PDF digitalizado: OCR, zonas e revisão
Equipa Anonimatum
Em resumo
Um PDF digitalizado é uma imagem: sem OCR não há texto onde procurar nomes ou NIF. Primeiro reconhece-se o texto, depois detetam-se os dados, tapam-se assinaturas e carimbos com zonas e no fim verificam-se imagem e camada de texto.
Muitos documentos que é preciso anonimizar não nasceram digitais: requerimentos entregues em papel, contratos assinados à mão, relatórios clínicos antigos, processos digitalizados para arquivo ou para responder a um pedido de acesso ao abrigo da LADA. Depois de digitalizados, são PDF cheios de fotografias de páginas. Uma pessoa lê o NIF; uma pesquisa por padrões, não.
Este guia explica como tratá-los: o que é o OCR e porque vem primeiro, o que faz falhar o reconhecimento, como tapar o que não é texto (assinaturas, carimbos, anotações manuscritas) e como garantir que nada fica nem na imagem nem na camada de texto oculta.
Passo a passo
Confirme se o PDF tem texto
Tente selecionar uma palavra e pesquisar com Ctrl+F. Sem texto, é uma digitalização pura; pesquisas que falham indicam um OCR anterior de má qualidade.
Melhore a digitalização se puder
Se ainda tiver o papel, volte a digitalizá-lo direito e com resolução suficiente. Um bom original evita erros de reconhecimento.
Ative a anonimização com OCR
Carregue o PDF no Anonimatum e ative a opção de OCR na configuração. Confirme as páginas a tratar; as páginas nativas não são reprocessadas.
Escolha padrões e opções de IA
Selecione os padrões úteis (e-mail, telefone, IBAN…) e as categorias de IA necessárias; os documentos em português são reconhecidos com NIF e Cartão de Cidadão.
Desenhe zonas para o que não é texto
Tape assinaturas, carimbos, notas manuscritas e fotografias com zonas e guarde-as como padrão de figuras se se repetirem.
Pré-visualize e corrija
Execute a pré-visualização, reveja as marcações a amarelo, acrescente os dados mal lidos pelo OCR e retire os falsos positivos.
Aplique e verifique
Aplique a anonimização, descarregue o resultado e verifique imagem e camada de texto com zoom, copiar e colar e pesquisa.
O que distingue um PDF digitalizado
Um PDF exportado de um processador de texto guarda caracteres. Um PDF digitalizado guarda uma imagem por página. Há uma terceira variante, frequente e traiçoeira: a digitalização à qual o scanner ou um programa já aplicou OCR, acrescentando texto invisível atrás da imagem para permitir pesquisas. Se apenas se desenhar um retângulo preto sobre a imagem, o nome desaparece da vista mas continua na camada de texto; se apenas se apagar o texto, o nome continua visível na imagem.
Anonimizar uma digitalização obriga, por isso, a atuar sobre os píxeis da imagem e o texto reconhecido ao mesmo tempo. É o mesmo princípio da verdadeira censura de documentos, aplicado a uma página que é uma fotografia.
Primeiro o OCR: sem texto não há deteção
O reconhecimento ótico de caracteres (OCR) transforma a imagem em texto com posição. Só então os padrões encontram um NIF (123456789, fictício) ou um número de Cartão de Cidadão e a IA reconhece nomes, moradas ou datas. Sem OCR resta tapar à mão, zona a zona, o que é inviável num processo de 80 páginas.
O que influencia a qualidade do OCR
- Resolução: digitalizações de resolução muito baixa confundem letras; para texto recomenda-se habitualmente cerca de 300 ppp.
- Inclinação e margens: páginas tortas, sombras da encadernação ou dedos em fotografias de telemóvel.
- Contraste e manchas: fotocópias de fotocópias, papel térmico desbotado, carimbos por cima do texto.
- Tipo de letra e tabelas: letra muito pequena, colunas estreitas, formulários com quadrículas.
- Escrita manual: o OCR de texto impresso não a lê de forma fiável; trate-a como imagem.
Os erros de OCR têm uma consequência direta: se um 0 for lido como O ou faltar um dígito do NIF, o padrão não coincide e o dado escapa. Por isso, nas digitalizações, a revisão humana da pré-visualização é ainda mais importante do que num PDF nativo.
Assinaturas, carimbos e anotações à mão: zonas
Há dados pessoais que não são texto: a assinatura manuscrita, o carimbo de entrada com o nome do funcionário, uma nota na margem, a fotocópia do Cartão de Cidadão junta ao processo. Para isso usam-se zonas, retângulos desenhados na página que eliminam o conteúdo da área. No Anonimatum desenha-se o retângulo e escolhe-se o âmbito: página atual, intervalo de páginas ou documento inteiro.
Se o mesmo elemento aparece sempre no mesmo sítio, como a rubrica na margem de cada página de um contrato ou a assinatura no fundo de um formulário normalizado, guarde a zona como padrão de figuras e reutilize-a. A versão 1.9.0 inclui também modelos de sistema para casos típicos, como contratos com carimbos laterais.
Como fazer no Anonimatum
Se o PDF carregado já tiver uma camada de texto adequada, o OCR não é reaplicado. Numa digitalização, ativa-se na configuração a opção de anonimização com OCR: a aplicação indica que páginas precisam de OCR e pede confirmação antes de o aplicar. O motor de OCR (Tesseract por omissão, ou PaddleOCR) escolhe-se no perfil. A página do anonimizador de PDF digitalizados resume estas funções.
| Documento | Páginas com OCR | Páginas contabilizadas |
|---|---|---|
| 10 páginas, todas nativas | 0 | 10 |
| 10 páginas, 3 digitalizadas | 3 | 13 |
| 10 páginas, todas digitalizadas | 10 | 20 |
Como mostra a tabela, as páginas com OCR contam a dobrar, mas só as que precisam dele. Se quiser apenas um PDF pesquisável sem o anonimizar, use a ferramenta PDF com texto copiável, processada na fila de documentos.
Verificar uma digitalização anonimizada
Verificações específicas para digitalizações
- Ampliar cada página: as tarjas têm de cobrir totalmente o dado, incluindo traços da assinatura que saiam da caixa.
- Selecionar todo o texto, copiar e colar num editor: nenhum dado tapado deve aparecer na camada OCR.
- Pesquisar com Ctrl+F o apelido e variantes mal reconhecidas (por exemplo, com 0 em vez de O).
- Rever margens, versos e páginas em branco: carimbos e notas costumam estar aí.
- Confirmar metadados e nome do ficheiro antes de partilhar.
Perguntas frequentes
Porque é que a ferramenta não encontra o NIF no meu PDF digitalizado?
Porque sem OCR não há texto para analisar. Ative o OCR. Se já estiver ativo, verifique a qualidade: um único carácter mal lido basta para o padrão falhar.
Quanta quota consome um PDF digitalizado?
As páginas a que se aplica OCR contam a dobrar: um documento de 10 páginas com OCR em 3 consome 13 páginas, e não 20.
As assinaturas manuscritas são detetadas automaticamente?
Não conte com isso. Assinaturas, carimbos e escrita manual tapam-se com zonas desenhadas ou padrões de figuras reutilizáveis.
A minha digitalização já tinha OCR. Há algum risco?
Sim: a camada de texto invisível pode conter os dados mesmo que os tape na imagem. Use uma ferramenta que elimine ambos e verifique copiando o texto do resultado.
Processos digitalizados para anonimizar?
Veja os planos e comece com OCR seletivo, deteção por IA alojada na UE e zonas para assinaturas e carimbos.