Recursos / PDF escaneado, OCR y anonimización

PDF escaneado, OCR y anonimización: qué debes saber

"Anonimizar un PDF" significa algo distinto según si el documento tiene texto real o es la foto de un papel. Estos son los conceptos que hay que distinguir antes de anonimizar un documento escaneado — y por qué confundirlos es una de las formas más fáciles de dejar un dato expuesto sin darte cuenta.

Texto visible

Es el texto que existe como tal dentro del archivo — el que generó un procesador de textos o una web al exportar a PDF. Se puede seleccionar, copiar y buscar directamente, sin necesitar ningún reconocimiento adicional.

Imagen escaneada

Cuando un PDF viene de un escáner o de una foto, la página no contiene texto: es literalmente una imagen, como una fotografía. No hay nada que seleccionar ni buscar, porque para el ordenador es solo un dibujo de píxeles — aunque a simple vista se lea perfectamente.

Capa OCR

El reconocimiento óptico de caracteres (OCR) analiza esa imagen y "adivina" qué letras contiene, generando una capa de texto invisible superpuesta a la imagen original. Es lo que permite seleccionar y buscar texto en un PDF escaneado que, en su origen, era solo una foto. Esta capa puede tener errores de reconocimiento — depende de la calidad del escaneo, la nitidez y el tipo de letra.

Texto recuperable

Es cualquier texto que un lector de PDF pueda extraer del archivo — ya sea texto visible original o una capa OCR añadida después. Si un dato personal está en cualquiera de las dos formas, se puede copiar, buscar o extraer, aunque a simple vista parezca "tapado".

Redacción visual

Dibujar un rectángulo, una capa negra o un tachado encima de un dato — ya sea en el texto visible o sobre la imagen escaneada. Cambia lo que se ve en pantalla, pero no toca el texto recuperable que pueda haber debajo o en la capa OCR. Es la causa más habitual de anonimización fallida — lo explicamos con detalle en cómo censurar un PDF de verdad y lo comprobamos con un documento real en el Laboratorio Redactex.

Anonimización real

Elimina el dato de la capa de texto (o de la capa OCR) del archivo, no solo lo cubre visualmente. Después de una anonimización real, no existe ningún texto recuperable con ese dato — ni seleccionándolo, ni con el buscador del lector de PDF, ni extrayendo el contenido del archivo.

Cómo lo gestiona Redactex

Si una página no tiene texto digital, Redactex ejecuta OCR directamente en tu navegador (con Tesseract.js) antes de analizar nada — de forma local, sin subir la imagen a ningún sitio. El texto reconocido pasa por el mismo proceso de detección que el texto visible normal: reglas automáticas para datos con formato reconocible (DNI, IBAN) e IA para lo que requiere contexto. El resultado final se genera igual en ambos casos: cada página se reconstruye como una imagen nueva con los datos ya eliminados, así que no queda ni el texto visible original ni ninguna capa OCR con el dato — el documento final no tiene texto recuperable en absoluto en las zonas anonimizadas. La calidad de la detección en documentos escaneados depende de la calidad del escaneo: cuanto más nítido y menos torcido, mejor reconoce el texto — por eso conviene revisar esas páginas con más atención antes de descargar.

Relacionado: cómo anonimizar un PDF · cómo comprobar un PDF a mano · Laboratorio Redactex.