Censurar PDF

Acerca de Censurar PDF

Decir que has tachado algo en un PDF puede significar dos cosas: que dibujaste un rectángulo negro encima o que eliminaste del archivo los datos que había debajo. Lo primero solo lo oculta en pantalla: seleccionas, copias, pegas y el texto original reaparece. Esta herramienta hace lo segundo, una anonimización real (redacción, en la jerga técnica).

Las zonas se marcan arrastrando en la vista previa o buscando con patrones preparados (DNI/NIE, móvil, correo electrónico, tarjeta de 16 dígitos) o con tu propia expresión regular. Hay dos formas de aplicarlas. «Eliminar contenido» analiza las instrucciones de dibujo de cada página, borra solo el texto, las imágenes y los trazos bajo los recuadros y deja el resto del texto buscable. «Convertir en imagen» dibuja la página con los recuadros rellenos y sustituye su contenido por esa única imagen.

Cómo fallan los recuadros negros: el caso Manafort

En enero de 2019, los abogados de Paul Manafort presentaron ante un tribunal federal de EE. UU. un escrito cuyos pasajes tachados se podían leer con solo copiar y pegar. Así se supo por primera vez que a Manafort se le acusaba de compartir datos de encuestas de la campaña de Trump de 2016 con su antiguo socio Konstantin Kilimnik, y que ambos se habían reunido en Madrid. Según la prensa, la causa fue dibujar formas negras sobre un texto que nunca se eliminó.

No es un caso aislado: la revista para jueces de la American Bar Association ha recopilado varios. El patrón se repite: resaltador negro en Word, rectángulos de anotación en un editor de PDF o marcas de redacción que se colocaron pero nunca se aplicaron.

Qué borra de verdad «Eliminar contenido»

La herramienta recorre el flujo de contenido de la página instrucción a instrucción, siguiendo las transformaciones de coordenadas y los anchos de fuente, para saber dónde cae cada operación de dibujo. Todo lo que toca un recuadro se trata así:

• Texto: si se conocen con exactitud los anchos de los glifos, solo los glifos que tocan un recuadro se sustituyen por un espacio en blanco del mismo ancho y el resto de la cadena se queda; si no, se sustituye la cadena entera. En ambos casos el texto posterior de la línea no se mueve.
• Imágenes: los píxeles bajo el recuadro se repintan con el color de la máscara. Si el formato no se puede decodificar, se borra la imagen entera. Las máscaras de transparencia se vuelven opacas en la misma zona.
• Trazos e imágenes en línea: se recortan las formas que cruzan el recuadro. Un rectángulo simple que contiene todo el recuadro, como un fondo o una celda de tabla, se conserva.
• Anotaciones (comentarios, enlaces, campos de formulario): se eliminan si tocan un recuadro, y el valor del campo sale de la lista de campos.
• Texto oculto: también se revisan ActualText y el texto alternativo de los PDF etiquetados, que no se ven pero sí se extraen.
• Archivo completo: si lo eliges, elimina el diccionario Info y los metadatos XMP, escribe un ID de documento nuevo, descarta los objetos a los que ya nada hace referencia (restos de guardados incrementales) y reescribe el archivo desde cero.

Por qué puede desaparecer más de lo que marcaste

El texto de un PDF se dibuja por cadenas, no letra a letra. Algunos programas escriben una palabra por cadena y otros una línea entera. Con una de las 14 fuentes estándar o una fuente con tabla de anchos (/Widths, o /W en Identity-H), la herramienta divide la cadena en glifos y borra solo los que quedan bajo el recuadro, así que una línea guardada como una sola cadena conserva el nombre y la dirección y pierde solo el DNI. También se borran los glifos que cruzan el borde del recuadro y los que están a menos del 10 % del tamaño de letra (normalmente los espacios de alrededor). Si hay que adivinar aunque sea un ancho, se borra la cadena entera como antes. Es el lado seguro, pero revisa la vista previa.

Si la información de la fuente está incompleta (algunas fuentes CID en las que no se conocen la longitud de los códigos ni los anchos), la herramienta supone el glifo más ancho posible para cada byte. También eso amplía lo que se borra.

Lo que la herramienta no limpia

Los títulos de los marcadores y los valores de formulario situados fuera de tus recuadros pueden contener la misma información. «Quitar también lo censurado de títulos de marcadores y valores de formularios» (activado por defecto) lee el texto bajo tus recuadros y sustituye ese mismo texto (sin tener en cuenta los espacios) por ■ en los títulos de marcadores y en los valores de formulario, y hace que el visor vuelva a dibujar los campos cambiados. No encuentra textos de menos de dos caracteres ni escritos de otra forma (un número sin guiones, por ejemplo), así que si está desactivado o no encuentra nada verás el aviso de siempre. Los adjuntos, el texto colocado fuera de la página visible y los mismos datos repetidos en otra página siguen ahí si no los marcas.

La búsqueda por patrones solo funciona sobre la capa de texto. En un documento escaneado las letras son píxeles y hay que dibujar los recuadros a mano. Los números partidos en dos líneas, con espacios inesperados o repartidos por celdas de una tabla pueden escaparse. Tras aplicar, la herramienta vuelve a buscar los mismos patrones en el resultado y te dice cuántas coincidencias quedan, comprobando también sin espacios.

El recuadro en sí da pistas. El ancho de un nombre tachado sugiere su longitud, y con una lista corta de candidatos eso puede bastar para identificar a alguien. En documentos delicados, dibuja recuadros más anchos que el texto.

Cuándo usar «Convertir en imagen»

Si el PDF tiene estructuras de fuente raras y el resultado de eliminar contenido no cuadra, o si el documento es tan delicado que no puede quedar nada, elige convertir en imagen. Cada página afectada se dibuja con los recuadros rellenos y se sustituye por una sola imagen, así que no queda capa de texto que filtrar. A cambio, no hay búsqueda ni copia ni lectores de pantalla, el archivo crece y el texto se ve borroso al ampliar. Las administraciones suelen tener obligaciones de accesibilidad en lo que publican; compruébalo antes.

Ejemplos

Cómo se usa

1. Elige un PDF y arrastra recuadros en la vista previa o busca con patrones.
2. Revisa los recuadros página a página y elige «Eliminar contenido» o «Convertir en imagen».
3. Aplica, revisa la vista previa y el recuento de coincidencias restantes, y lee los avisos de marcadores o formularios.
4. Guarda el original aparte y comparte solo el resultado.

Términos clave

Redacción (anonimización)

Borrar información sensible de modo que no se pueda recuperar, a diferencia de taparla.

Flujo de contenido

La lista de instrucciones que pinta texto, imágenes y formas en una página. Es lo que la herramienta analiza y reescribe.

Guardado incremental

Guardar añadiendo los cambios al final del archivo, lo que deja dentro el contenido anterior.

Preguntas frecuentes