Jak trwale usunąć tekst z PDF-a

Tekst błędny trzeba zastąpić. Po zmianie strona ma się czytać poprawnie; podmiana w zupełności wystarczy. To edycja. Nikt nie uruchomi ekstrakcji tekstu z twojej oferty w poszukiwaniu cyfry, którą przestawiłeś. Jeśli fragment starego numeru przetrwa gdzieś w pliku, będzie to niechlujne, ale nie groźne.

Tekst wrażliwy musi być nie do odzyskania. Nie wystarczy go zakryć ani zamienić na gwiazdki. Musi zniknąć z bajtów pliku, tak by nie dało się go odzyskać nawet komuś, kto ma czas i chce wiedzieć, co usunięto. Taka osoba najpierw otworzy PDF w edytorze tekstu, zanim spróbuje czegoś bardziej zaawansowanego. Zwykła edycja tego nie zapewnia.

Większość programów do PDF-ów umieszcza obie operacje blisko siebie, w tym samym menu. Stąd biorą się pomyłki.

Tekst w PDF-ie jest ciągiem znaków zapisanym w strumieniu treści wraz z instrukcjami określającymi położenie każdego znaku. Gdy rysujesz na nim biały prostokąt, dodajesz kolejną instrukcję rysowania, ale ciąg znaków zostaje nietknięty. Tak samo działa czarne pole i wklejenie nowego papieru firmowego na stary. Strona wygląda inaczej, plik nie. Ten mechanizm opisujemy szerzej.

„Trwale” znaczy więc, że ciąg znaków znika ze strumienia treści, a plik zostaje zapisany ponownie bez niego. Wszystko poniżej tego progu jest dekoracją.

PDF nie rozumie pojęcia akapitu. Zawiera znaki umieszczone na współrzędnych. Gdy wytniesz trzy słowa ze środka justowanego bloku, kolejne słowa mogą znaleźć się w złych miejscach, wiersz zyska niepotrzebną pustą przestrzeń, a cały akapit może wymagać ponownego złamania w dotychczasowym obszarze.

To trudna część, z którą narzędzia radzą sobie bardzo różnie. Jedne prawidłowo łamią akapit na nowo. Inne przesuwają dalsze słowa w lewo, zostawiają poszarpaną lukę albo dodają pole tekstowe nad wyrwą w oryginale. Przy poprawce jednego słowa wynik zwykle wygląda dobrze, ale pogarsza się wraz z liczbą zmian.

Drugą pułapką są kroje pisma. Fonty osadzone w PDF-ie to często podzbiory zawierające wyłącznie znaki użyte w dokumencie. Jeśli nowy tekst wymaga znaku, którego na stronie nie było, narzędzie może podstawić inny krój albo nie narysować nic. Polski znak diakrytyczny lub nieoczekiwany myślnik często ujawnia ten problem.

Pomagają dwa nawyki: utrzymuj długość nowego tekstu zbliżoną do usuniętego i sprawdzaj wyeksportowany plik w pełnym powiększeniu. Nie ufaj podglądowi w edytorze, który może renderować dokument inaczej.

Użyj funkcji usuwania danych. Jest w każdym poważnym programie do PDF-ów, stoi osobno od narzędzi rysowania i zwykle ostrzega, że zmiany nie da się cofnąć. Po tym ostrzeżeniu ją poznasz.

Jeśli w jednym pliku wykonujesz obie operacje — poprawiasz kwotę i usuwasz nazwisko — ustal z góry, co ma się stać, gdy ich obszary się pokrywają. Tekst wpisany w miejscu, z którego później usuwasz dane, nie powinien przetrwać usunięcia. Część narzędzi na to pozwoli.

Nawet po prawdziwym usunięciu danych dokument może zawierać usuniętą treść w miejscu innym niż sama strona.

Metadane mogą zawierać autora, pierwotną nazwę pliku, program użyty do utworzenia dokumentu, a czasem tytuł sprzed kilku wersji. Poważniejszy problem to zapis przyrostowy: PDF pozwala dopisać zmiany zamiast przepisać cały plik, więc poprzednie wersje stron mogą zostać we wcześniejszych bajtach dokumentu, razem z treścią, którą zawierały. Adnotacje i komentarze istnieją poza strumieniem treści i łatwo je przeoczyć, gdy na ekranie wszystko wygląda czysto. To samo dotyczy załączonych plików. Obraz przycięty w programie do składu często nadal zawiera całe zdjęcie, bo kadrowanie jest wyłącznie instrukcją wyświetlania.

To nie są rzadkie przypadki. Po prostu nie widać ich w miejscu, na które patrzysz.

Otwórz wyeksportowany plik, nie wersję wciąż otwartą w edytorze. Zaznacz obszar, skopiuj go i wklej do zwykłego edytora tekstu. Potem wyszukaj w dokumencie słowo, które usunąłeś. Te dwa testy wykrywają prawie wszystko, co dotyczy samej strony.

Przy każdym wrażliwym dokumencie idź dalej. Otwórz właściwości dokumentu i sprawdź pola autora, tytułu i słów kluczowych. Potem użyj narzędzia do ekstrakcji, na przykład pdftotext, i przeczytaj wynik. Pokazuje ono całą warstwę tekstową naraz, nie tylko fragment, na który właśnie patrzysz.

hddn obsługuje oba przypadki w przeglądarce. Edycja tekstu usuwa oryginalną treść i wpisuje nową, zachowując osadzony krój pisma tam, gdzie font na to pozwala. Zatwierdzone miejsca są usuwane z pliku, a nie tylko zakrywane. Usunięcie danych w obszarze edytowanego tekstu ma pierwszeństwo, bo prywatność musi mieć pierwszeństwo. Edycja jest jednak dostępna wyłącznie na stronach z natywnym tekstem: narzędzie odmawia jej dla stron skanowanych, obróconych wierszy i pisma od prawej do lewej, zamiast po cichu uszkadzać dokument.

Niezależnie od narzędzia edytor pokazuje twoje zamiary. Druga osoba dostaje wyeksportowany plik. Tylko on może służyć za dowód.