07
Masz sfotografowaną umowę, skan dowodu albo pasek wynagrodzenia zeskanowany w biurze. Jedno nazwisko ma zniknąć. Każdy poradnik mówi to samo: zaznacz tekst, zastosuj usuwanie danych. Przeciągasz kursorem po nazwisku, ale nic się nie podświetla. Kursor nawet nie zmienia kształtu.
Nic się nie zepsuło. Na stronie nie ma tekstu do zaznaczenia.
01
Strona jest zdjęciem
Natywny PDF zapisuje tekst jako instrukcje — po jednej dla każdego znaku — wraz ze współrzędnymi i krojem pisma. Prosty skan może zawierać tylko obraz strony. Inne zeskanowane PDF-y mają też tekst, metadane lub dodatkowe obiekty. Nazwisko, na które patrzysz, jest skupiskiem ciemnych pikseli w pliku JPEG. Dla PDF-a to ten sam rodzaj obiektu co cień pokrywy skanera.
Zaznaczanie nie ma więc czego chwycić. Narzędzia zaznaczania odczytują strumień treści, a na zeskanowanej stronie mówi on mniej więcej tyle: narysuj ten obraz na całą szerokość i wysokość. To cała strona. Wyszukiwanie nic nie znajduje, a ekstrakcja nie zwraca tekstu.
02
Tutaj czarne pole faktycznie działa
To jedyny przypadek, w którym pozornie oczywiste podejście może zadziałać. Po setkach ostrzeżeń, że prostokąty nie usuwają danych, trudno się tego spodziewać.
W skanie zawierającym wyłącznie obraz nie ma warstwy tekstowej. Gdy zamalujesz piksele wypełnionym prostokątem, a potem wyrenderujesz stronę do nowego obrazu, piksele pod polem zostaną nadpisane. Nie są zakryte. Przestają istnieć.
Jednym z rozwiązań jest wyrenderowanie stron do nowych obrazów z trwale naniesionymi polami i złożenie z nich nowego PDF-a. Inne narzędzia potrafią bezpiecznie zmodyfikować sam obraz w oryginalnym PDF-ie, usuwając też zakryty tekst OCR. W obu przypadkach oryginalne piksele pod polem muszą zniknąć z wynikowego pliku. Jeśli narzędzie zachowa oryginalny skan i umieści kształt nad nim, czarny prostokąt będzie leżał na nienaruszonym obrazie nazwiska. Wyciągnięcie osadzonych obrazów z PDF-a wymaga wtedy jednego polecenia.
03
Sprawdź, czy twój skan jest naprawdę skanem
Wiele dokumentów wyglądających jak skany nie jest już czystymi skanami. Oprogramowanie skanerów, systemy obiegu dokumentów i wszystkie narzędzia z opcją „PDF z możliwością wyszukiwania” uruchamiają OCR, a rozpoznane słowa zapisują w pliku jako niewidoczną warstwę tekstową dokładnie na obrazie. Strona wygląda identycznie. Plik zawiera wtedy zarówno obraz nazwiska, jak i prawdziwy ciąg znaków, który da się wyodrębnić.
Gdy narysujesz pole na obrazie, zakryjesz piksele tylko dla oka. Warstwa tekstowa zostanie nietknięta i da się ją skopiować z pliku. To problem czarnego prostokąta z obrazem położonym na wierzchu.
Sprawdź to, zanim zrobisz cokolwiek innego. Otwórz plik i przeciągnij kursorem po wierszu tekstu. Jeśli pojawi się podświetlenie albo Ctrl+F znajdzie słowo widoczne na stronie, warstwa tekstowa istnieje i trzeba usunąć tę treść razem z pikselami. Sprawdzaj każdą stronę, bo dokumenty mieszane są częste: pismo przewodnie napisane na komputerze, potem dwanaście stron skanu, na końcu podpisany załącznik.
Potem powtórz to samo sprawdzenie na wyeksportowanym pliku, nie na tym, który edytowałeś.
04
Adnotacja to nie spłaszczone pole
Prostokąt zapisany jako adnotacja PDF jest osobnym obiektem w pliku. Ma własne współrzędne, kolor i wpis na liście adnotacji strony. Czytniki pozwalają go kliknąć, przesunąć i usunąć. Nawet gdy interfejs tego nie umożliwia, obiekt pozostaje w strukturze pliku, a usunięcie adnotacji jest proste.
Po wyrenderowaniu strony do nowego obrazu kształt staje się ciemnymi pikselami, zamiast pozostawać osobnym obiektem. Nie zostaje nic, co można zaznaczyć i usunąć.
Drukowanie do PDF-a nie dowodzi bezpiecznego usunięcia danych. Proces wydruku może zachować tekst lub obraz pod nałożonym polem. Nawet „spłaszczanie” może oznaczać scalenie adnotacji bez usunięcia treści pod spodem. Przy metodzie opartej na obrazach szukaj wyraźnej informacji o rasteryzacji i sprawdź wynikowy plik.
05
Rozdzielczość i kopia, o której zapomniałeś
Niektóre sposoby eksportu zmniejszają rozdzielczość. Skan zapisany z niskim DPI może być nieczytelny, a niższa jakość nie dowodzi usunięcia danych wrażliwych. Przed wysłaniem sprawdź zarówno czytelność, jak i zaczernienia.
Inny problem z prywatnością kryje się w strukturze pliku. Oprogramowanie skanerów i pakiety biurowe czasem osadzają miniaturę lub podgląd każdej strony, a plik zapisany przyrostowo może zachować wcześniejsze wersje. Jeśli taki podgląd powstał przed narysowaniem pola, dokument nadal zawiera małą kopię strony sprzed usunięcia danych. Użyj eksportu, który przebudowuje i oczyszcza plik, a potem sprawdź jego właściwości i załączniki. Sama nowa nazwa nie usuwa starszych wersji ani ukrytych kopii.
06
OCR użyty świadomie
Świadomie użyte OCR pozwala przejść przez ten proces. Najpierw rozpoznaj tekst, a narzędzie odczyta stronę na tyle dobrze, by wskazać dane do sprawdzenia: nazwiska, numery identyfikacyjne, daty urodzenia i numery rachunków. Pola trafiają na właściwe współrzędne, ponieważ rozpoznawanie zwraca pozycję każdego słowa, nie tylko jego zapis.
OCR się myli. Blade kopie z faksu, przekrzywione strony, pismo odręczne na marginesie, piątka odczytana jako S. Traktuj sugestie jako punkt wyjścia i przeczytaj stronę sam. Tego, co przeoczył program rozpoznający, nic później nie wychwyci. Eksport musi trwale zmienić zakryte piksele i usunąć odpowiadający im ukryty tekst. Trafne znalezienie nazwiska nic nie daje, jeśli pole tylko leży na nim z wierzchu.
hddn uruchamia OCR w przeglądarce, a wykryte miejsca przedstawia jako sugestie do zatwierdzenia lub odrzucenia. Najpierw próbuje trwale usunąć dane z oryginalnej struktury PDF-a. Jeśli odmówi takiego eksportu, może zaproponować nowy PDF z samych obrazów, ale utworzy go dopiero po twojej wyraźnej zgodzie. Wtedy każda strona staje się obrazem z trwale naniesionymi zatwierdzonymi polami. Taka kopia traci tekst z możliwością wyszukiwania i informacje o dostępności. Edycja tekstu na stronach z OCR nie jest dostępna.
Skan może wydawać się bezpieczniejszy niż PDF z tekstem, bo niczego nie da się zaznaczyć ani wyszukać. To właśnie tworzy ryzyko. Zanim narysujesz pierwsze pole, przeciągnij kursorem po jednym wierszu i sprawdź, czy plik nie zawiera niewidocznej warstwy tekstowej.