Censurar PDF

El malentendido de más consecuencias en el manejo de documentos es creer que un rectángulo negro oculta algo. No lo hace. Un PDF guarda su texto como caracteres con coordenadas, y dibujar una forma rellena en esas coordenadas añade un objeto encima dejando cada carácter exactamente donde estaba. Selecciona la zona, copia, pega: el texto aparece.

Esto ha salido mal en público más veces de las que nadie puede contar razonablemente: escritos judiciales, documentos de defensa, divulgaciones corporativas y envíos a reguladores donde los nombres tapados se extrajeron a los pocos minutos de publicarse. Quienes hicieron esos archivos no fueron descuidados en el sentido corriente. Usaron una herramienta que parecía estar tachando y no lo estaba.

El tachado real destruye el contenido. Aquí eso significa que las páginas que llevan un tachado se aplanan en imágenes con las marcas incorporadas, de modo que los caracteres de debajo dejan de existir en lugar de esconderse detrás de algo. Nada se puede seleccionar, copiar, buscar ni recuperar, porque no queda nada que recuperar.

Aplanar una página tiene un precio real: la capa de texto se va con ella. Una página aplanada no se puede buscar, su contenido no se puede copiar y un lector de pantalla ya no puede leerla en voz alta. Eso no es un efecto secundario que haya que minimizar: es el mecanismo por el cual se destruye el texto oculto.

Así que el coste se cobra por página y no por documento. Las páginas que contienen un tachado se aplanan; las que no, se dejan completamente intactas y conservan su texto original. Un informe largo con tachados en tres páginas sigue por tanto siendo localizable en el resto de las páginas, y solo pierde accesibilidad donde realmente tenía que perderla.

Si el documento terminado necesita volver a ser plenamente localizable (un requisito habitual en los expedientes de divulgación), pasarle OCR de PDF vuelve a leer las páginas aplanadas y les devuelve una capa de texto. Y lo importante: lee lo que ahora es visible, así que el contenido tachado sigue desaparecido.

La parte difícil del tachado no es marcar, es lo que se escapa. La información confidencial se repite, y se repite en los sitios que nadie relee: una nota al pie, un encabezado, una entrada del índice, un anexo, la tercera página de un cuadro. Tachar las seis apariciones evidentes y pasar por alto la séptima echa por tierra todo el ejercicio.

Marcar mediante búsqueda es la respuesta para cualquier cosa con una forma constante: el nombre de una persona, un número de cuenta, una dirección de correo, un código de referencia. Barre todas las páginas de una vez y te muestra las coincidencias para que las confirmes, lo que convierte un problema de corrección en un problema de revisión.

Después comprueba las variantes a mano. Los nombres aparecen con y sin iniciales, los números con y sin espacios o guiones, las direcciones completas y abreviadas. Y lee el documento después como lector y no como editor: la información puede ser reconstruible por el contexto aunque hayan desaparecido todas las menciones directas, y solo leyéndolo entero se ve eso.

Tachar el contenido de las páginas deja intacto todo lo que está fuera de ellas, y los documentos llevan más de eso de lo que la mayoría espera. Las propiedades del documento registran el nombre de quien lo creó, la organización, el programa usado y las fechas de creación y modificación. Eliminar metadatos las borra, y merece la pena hacerlo en cualquier cosa que se publique en lugar de enviarse a una sola persona.

El nombre del archivo es lo que más se olvida, porque no forma parte del documento en absoluto. Un archivo cuidadosamente tachado llamado acuerdo-martinez-borrador-final.pdf ya ha dicho bastante antes de que nadie lo abra.

Por último, decide quién puede tener siquiera la versión tachada. Proteger PDF añade una contraseña para una circulación controlada, y mantener el original sin tachar claramente separado (otra carpeta, otro nombre) es lo que evita el desenlace realmente malo de enviar el archivo equivocado.