Como tarjar um PDF do jeito certo

O erro, e por que ele continua acontecendo

Uma página de PDF é um programa de desenho. O texto é uma instrução para colocar certos caracteres em certas coordenadas, e um retângulo preto é outra instrução para preencher uma área. Desenhar o retângulo não remove o texto — desenha por cima dele. Os caracteres continuam no arquivo, por baixo, e selecionar a área os copia. Qualquer ferramenta gratuita os extrai em segundos.

Isso continua acontecendo porque a interface diz que deu certo. Você desenha uma caixa, as palavras somem da vista, você salva o arquivo e ele fica exatamente igual a um documento tarjado. Não há erro, nem aviso, nem diferença visível em relação a uma tarja correta. Cada falha de tarja publicada de que você já ouviu falar — processos judiciais sem tarja, valores de acordos, nomes de testemunhas, um relatório de inteligência cujos trechos apagados foram recuperados em minutos — foi alguém desenhando uma forma e acreditando nela.

Destacar o texto em preto é o mesmo erro com outra roupa, assim como cobri-lo com um retângulo branco em um editor de texto antes de exportar para PDF.

O que uma tarja de verdade faz

A ordem se inverte. Primeiro o texto é apagado do conteúdo da página, e a caixa preta é desenhada depois, como marca visual de onde havia algo. Copie a área tarjada e você não recebe nada, porque não há nada; extraia o texto da página e as palavras simplesmente não estão lá.

É isso que Tarjar PDF faz aqui, e a ferramenta informa quantos trechos de texto removeu — o que importa, porque uma tarja que não encontrou nada parece idêntica a uma que funcionou. Se você desenhou uma caixa sobre um nome e nada foi removido, o nome provavelmente faz parte de uma imagem, e não do texto, e precisa do próximo parágrafo.

Texto em imagens é outro problema

Um nome dentro de uma página escaneada, ou em uma captura de tela colada em um relatório, não é texto — são pixels. Apagar texto não chega nele, e uma caixa desenhada por cima é exatamente a cobertura ineficaz descrita acima, porque os pixels por baixo continuam nos dados da imagem.

A solução é renderizar essas páginas de novo com a tarja aplicada, para que os pixels realmente deixem de existir. Isso tem um custo real, que vale conhecer: essas páginas viram imagens, então qualquer texto nelas deixa de ser selecionável e o arquivo fica maior. Para um documento escaneado, isso não muda nada, já que ele já era imagem. Para um documento misto, é uma troca.

O mesmo vale para imagens em geral. Se você for desfocar um rosto ou uma placa de carro, use um desfoque forte o bastante para que a região não guarde nenhuma estrutura visível — pesquisadores já reconstruíram texto a partir de pixelização fraca gerando candidatos e comparando. Se ainda dá para adivinhar quantos caracteres havia ali, não está forte o bastante.

Onde o PDF guarda nomes que você esqueceu

Esta é a parte que pega quem fez a tarja corretamente. Um PDF guarda texto em mais lugares que a página visível, e uma tarja perfeita da página deixa todos eles intactos.

Os marcadores muitas vezes contêm títulos de seções com nomes. Os valores dos campos de formulário continuam lá mesmo quando o campo não está visível. Os anexos podem ser documentos inteiros escondidos dentro do PDF. As informações do documento e o pacote de metadados XMP trazem o título, o autor, o software e, muitas vezes, o caminho do arquivo original — o que revela um nome de usuário e uma estrutura de pastas. Os comentários e anotações têm o próprio texto e o nome de quem os escreveu. E o próprio nome do arquivo acompanha o documento aonde quer que ele vá.

Há mais um, e é o mais sutil: um PDF salvo de forma incremental guarda suas revisões anteriores dentro do mesmo arquivo. Se um documento foi editado e salvo, em vez de regravado, uma versão anterior de uma página pode continuar lá dentro. É por isso que a etapa de conferência abaixo não é opcional para nada que importe.

Confira, e como

A conferência é a etapa que as pessoas pulam, e é a que realmente protege você. Três verificações, da mais simples à mais completa.

Abra o resultado e tente selecionar a área tarjada. Se conseguir copiar alguma coisa, pare. Isso pega a falha básica em cinco segundos e vale a pena fazer todas as vezes.

Olhe as propriedades do documento. Título, autor, assunto e palavras-chave aparecem em qualquer leitor de PDF, em Arquivo e depois Propriedades. Se o campo de autor for o nome que você acabou de passar uma hora removendo, a tarja não adiantou nada.

Reconstrua o arquivo. Passar o resultado por uma ferramenta que regrava o documento a partir do que as páginas realmente referenciam — o Ghostscript com gs -sDEVICE=pdfwrite, ou qpdf --empty --pages out.pdf 1-z -- — descarta objetos sem referência e revisões anteriores. Acrescentar exiftool -all:all= limpa os metadados. Para um processo judicial ou qualquer coisa sujeita a divulgação obrigatória, faça as três coisas e peça para outra pessoa conferir.

Excluir uma página também não é tarjar

Vale dizer isso à parte, porque é o mesmo tipo de erro. Excluir páginas de PDF monta um novo documento com as páginas que você manteve — mas um link em uma página mantida que apontava para uma página excluída ainda precisa levar a algum lugar, o que arrasta uma cópia dessa página excluída para o novo arquivo, como um objeto que nenhuma árvore de páginas referencia. Invisível em qualquer leitor, presente nos bytes.

Para tirar uma página de vista, excluir é correto e suficiente. Para fazer o conteúdo dela deixar de existir, exclua a página e reconstrua o arquivo como descrito acima.