Tarjar PDF de verdade: o texto sai do arquivo, não fica embaixo da tarja

Num PDF, o texto e o desenho vivem em camadas independentes. Desenhar um retângulo preto sobre uma linha não apaga a linha: acrescenta uma forma por cima dela. O texto continua no arquivo, na mesma posição, com o mesmo conteúdo.

Isso significa que selecionar a área e copiar devolve o texto, que remover o retângulo em qualquer editor devolve o texto, e que um extrator de linha de comando devolve o texto sem precisar de esforço nenhum. Não é um risco teórico: é o comportamento normal do formato, e já produziu vazamento em documento oficial mais de uma vez, aqui e fora do país.

O teste é rápido e vale fazer em qualquer ferramenta, inclusive nesta: gere o arquivo, abra-o, selecione a área tarjada e copie. Se aparecer o texto, a tarja é decorativa.

As páginas que recebem tarja são reconstruídas do zero. A página é desenhada como imagem, já com as tarjas aplicadas, e é essa imagem que entra no documento novo — o conteúdo original daquela página não é copiado para o arquivo de saída.

Para o documento não perder a busca, sobre a imagem é reescrita uma camada de texto invisível contendo apenas o que não foi tarjado. No lugar do que saiu, quem extrair o texto encontra blocos █, o que deixa claro que houve supressão em vez de sugerir que o documento veio incompleto.

Há um limite honesto nisso, e ele aparece na linha em que você tarjou: o PDF costuma emitir a linha inteira como um bloco só, e a ferramenta descarta o bloco inteiro quando ele encosta na tarja. Na prática, a linha do CPF deixa de ser encontrável por busca por inteiro, rótulo incluído. Preferimos perder essa linha a arriscar recortá-la errado e reescrever, invisível, metade do número por baixo da tarja.

As páginas em que você não marcou nada não são tocadas: seguem no arquivo exatamente como estavam, em texto vetorial. É isso que evita que um documento de cento e oitenta páginas engorde porque três delas foram tarjadas.

Depois de montar o documento, a ferramenta o reabre e procura os trechos suprimidos de três formas independentes: no texto extraível de todas as páginas, na geometria das páginas reconstruídas e nos bytes descomprimidos de todos os fluxos internos do arquivo — que é onde apareceria um resto esquecido em metadado ou em anotação.

Se qualquer uma das três encontrar o que deveria ter saído, o arquivo não é gerado e a ferramenta explica o que houve. É uma decisão deliberada: entregar um documento com aviso de que talvez ainda contenha o dado seria pior do que não entregar nada, porque na prática ele seria protocolado assim mesmo.

Numa petição de vinte páginas há dezenas de sequências de onze dígitos que não são CPF: número de protocolo, matrícula, código de barras, valor sem separador. Marcar todas produziria uma lista tão cheia de engano que o caminho natural seria desmarcar tudo — e é nesse clique que o CPF verdadeiro escaparia junto.

Por isso CPF, CNPJ, título de eleitor, cartão e número de processo só são sugeridos depois de passarem no próprio dígito verificador. Os tipos que não têm verificador, como CEP e RG, só são sugeridos quando aparecem com a formatação característica ou com a palavra correspondente por perto, e a lista diz isso em cada grupo, em vez de apresentar todos com o mesmo ar de certeza.

Um detalhe que costuma quebrar ferramentas parecidas: o PDF frequentemente parte um número em vários pedaços internos, e um mesmo CPF chega ao navegador como três fragmentos separados. A busca aqui é feita sobre o texto remontado, então o número é encontrado mesmo fatiado.

Quando a página é uma digitalização, não há texto para procurar: o CPF está dentro da imagem. A detecção automática não alcança esse caso, e a ferramenta avisa quais páginas estão nessa situação em vez de deixar você achar que não havia nada a tarjar.

O caminho para essas páginas é desenhar a área com o mouse, que funciona igualmente sobre foto de documento, carimbo e assinatura manuscrita. Se você preferir que o documento fique pesquisável antes, passe o reconhecimento de texto primeiro e volte aqui.