Um documento de descoberta legal de 300 páginas contém números de telefone, endereços de e-mail e números de previdência social espalhados por suas páginas. Encontrar e redigir manualmente cada um levaria dias e ainda correria o risco de perder alguns. A redação automática baseada em padrões pesquisa todo o documento em busca de texto que corresponda a formatos específicos, números de telefone, endereços de e-mail, números de cartão de crédito e aplica a redação a cada correspondência em uma única operação. A questão não é se isso é possível, mas quão preciso é e que supervisão requer.
Editação de PDF baseada em padrões usa expressões regulares para identificar texto que corresponda a padrões predefinidos ou personalizados. Um padrão de número de telefone corresponde a sequências como (555) 123-4567 ou 555-123-4567. Um padrão de e-mail corresponde a sequências como nome@domínio.com. Um padrão de número de segurança social corresponde a ###-##-####. A ferramenta verifica a camada de texto do PDF, encontra todas as correspondências e as edita simultaneamente.
Como funciona a redação baseada em padrões
A ferramenta de redação primeiro extrai o texto do fluxo de conteúdo do PDF e procura os padrões especificados. Quando uma correspondência é encontrada, a ferramenta registra o número da página e as coordenadas do texto correspondente nessa página. Após a conclusão da pesquisa em todas as páginas, a ferramenta aplica marcas de redação a cada local registrado, cobrindo o texto e removendo-o da camada de texto.
A precisão da redação baseada em padrões depende de dois fatores: a precisão do padrão e a qualidade da camada de texto do PDF. Um padrão preciso captura o texto pretendido, evitando correspondências falsas. Um padrão de número de telefone deve distinguir entre números de telefone reais e outras sequências de dígitos que tenham o mesmo comprimento, como números de faturas, intervalos de datas ou números de peça.
A correspondência de padrões encontra o que os olhos humanos levariam horas para localizar.
A qualidade da camada de texto determina se o padrão consegue encontrar o texto. Se o PDF foi criado a partir de um documento digitalizado com OCR, o OCR pode ter reconhecido incorretamente alguns caracteres. Um número de telefone onde o dígito '5' foi reconhecido erroneamente como 'S' não corresponderá ao padrão do número de telefone. A ferramenta de redação não consegue redigir o que não consegue encontrar e os erros de OCR criam lacunas na detecção de padrões.
Experimente redigir PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Padrões comuns e suas armadilhas
Os números da previdência social são o padrão mais comumente editado e com maior probabilidade de produzir correspondências falsas. Uma sequência de nove dígitos com hífens nos lugares certos pode ser um número de segurança social, mas também pode ser um código de produto, um ID de documento ou um intervalo de datas escrito em um formato incomum. A redação baseada em padrões não entende o contexto. Corresponde ao padrão, não ao significado.
Os endereços de e-mail são mais fáceis de corresponder com precisão porque o símbolo @ é distinto e raramente aparece fora dos endereços de e-mail. No entanto, endereços de e-mail incorporados em PDFs como links mailto, em vez de texto visível, podem não ser correspondidos por uma pesquisa padrão baseada em texto. A ferramenta de redação pesquisa a camada de texto visível, não as anotações do link subjacente.
Os números de cartão de crédito seguem um formato específico, 16 dígitos, às vezes agrupados em quatro, que passa na verificação do algoritmo de Luhn. Ferramentas de redação baseadas em padrões que incluem validação Luhn reduzem significativamente correspondências falsas porque sequências aleatórias de 16 dígitos raramente passam na verificação. Se a sua ferramenta de redação não incluir a validação Luhn, revise manualmente as correspondências do cartão de crédito antes de aplicar a redação.
Os padrões personalizados permitem redigir informações específicas da organização. Um formato de ID de funcionário, um padrão de número de conta de cliente ou um código de projeto interno pode ser definido como uma expressão regular personalizada. O benefício PDF Security dos padrões personalizados é que eles direcionam informações que os padrões genéricos perderiam, tornando a redação mais abrangente.
Revendo correspondências de padrões antes de aplicar a redação
Nunca aplique a redação baseada em padrões sem antes revisar as correspondências. A etapa de revisão permite desmarcar correspondências falsas e adicionar correspondências perdidas manualmente. Um padrão que produz 500 correspondências pode ter 480 correspondências corretas e 20 correspondências falsas. As 20 correspondências falsas, se aplicadas, redigiriam incorretamente o texto que deveria permanecer visível. A etapa de revisão evita isso.
A maioria das ferramentas de redação exibe as correspondências como texto destacado em um painel de revisão. Percorra a lista de correspondências e verifique cada uma delas em relação ao seu contexto na página. Desmarque correspondências que claramente não sejam o alvo pretendido. Essa revisão manual é mais rápida do que localizar manualmente cada instância porque a ferramenta fez a pesquisa, mas ainda é essencial para a precisão.
Depois de aplicar a redação e salvar o documento, verifique a redação convertendo o PDF em texto simples e procurando os padrões redigidos na saída de texto. Se algum dos padrões aparecer no arquivo de texto, a redação não foi concluída. Essa verificação pós-edição captura correspondências de padrões que estavam na camada de texto, mas não foram editadas com êxito.
Limitações da redação baseada em padrões
A redação baseada em padrões funciona apenas em PDFs baseados em texto onde o texto é armazenado como caracteres. PDFs digitalizados que não foram processados por OCR armazenam texto como imagens e não contêm dados de caracteres para a correspondência de padrões pesquisar. Execute o OCR em PDFs digitalizados antes de tentar a redação baseada em padrões, entendendo que erros de OCR farão com que algumas correspondências de padrões sejam perdidas.
O texto armazenado como contornos vetoriais em vez de códigos de caracteres, como texto que foi convertido em caminhos em software de design, é invisível à redação baseada em padrões. O texto se parece com o texto da página, mas o PDF contém instruções de desenho para cada formato de caractere, não os códigos dos caracteres. A redação baseada em padrões não consegue encontrar texto armazenado neste formato.
Os regulamentos PDF Privacy exigem cada vez mais que as organizações demonstrem que a redação foi realizada corretamente. Um relatório de redação baseado em padrões que documenta quais padrões foram pesquisados, quantas correspondências foram encontradas, quantas foram aplicadas e quantas foram substituídas manualmente fornece evidências de devida diligência no processo de redação.
WukongPDF fornece ferramentas de redação através do navegador que podem processar PDFs localmente. A redação baseada em padrões pesquisa padrões correspondentes na camada de texto do documento e aplica marcas de redação. A abordagem baseada em navegador mantém os dados do documento no seu dispositivo durante o processo de redação.
Às vezes, a redação parcial é necessária para padrões onde apenas parte do texto correspondente deve ser ocultada. Um número de telefone onde apenas os últimos quatro dígitos devem estar visíveis ou um endereço de e-mail onde o domínio deve permanecer visível. As ferramentas de redação baseadas em padrões que suportam grupos de captura permitem definir quais partes do padrão correspondente serão redigidas e quais deverão ser deixadas visíveis.
Depois de aplicar a redação baseada em padrões, pesquise no documento fragmentos das informações redigidas. Um endereço de e-mail editado como j***@domain.com ainda poderá ser identificável se o domínio for exclusivo. Para máxima privacidade, edite todo o padrão correspondente em vez de tentar uma redação parcial.
Documentos que contêm instâncias baseadas em texto e imagens do mesmo padrão, como um PDF com páginas digitadas e digitalizadas, a redação baseada em padrão lida com as ocorrências baseadas em texto, enquanto a redação baseada em imagem deve ser aplicada separadamente às páginas digitalizadas.
A redação baseada em padrões é um componente de uma estratégia abrangente de higienização de documentos. Outros componentes incluem remoção de metadados, exclusão de conteúdo oculto e remoção de comentários e anotações. Um documento que foi completamente redigido por padrão, mas ainda contém o nome do autor e a organização nos metadados, ainda pode vazar informações confidenciais.
Para documentos de descoberta legal, a redação baseada em padrões deve ser combinada com a revisão manual. Um padrão pode localizar números de telefone, mas não pode localizar uma referência a uma conversa telefônica que não inclua o número de telefone. A revisão manual captura referências contextuais que faltam na correspondência de padrões.
Bibliotecas de padrões compartilhadas entre organizações podem melhorar a consistência da redação. Um escritório de advocacia que lida com centenas de documentos de descoberta desenvolve uma biblioteca de padrões testados para tipos de dados confidenciais comuns. O compartilhamento dessa biblioteca em toda a empresa garante que todos os documentos sejam redigidos com os mesmos padrões.
É essencial testar novos padrões em um documento de amostra antes de aplicá-los ao documento completo. Um padrão que funciona perfeitamente em testes pode produzir correspondências inesperadas no documento real devido a variações de formatação, artefatos de OCR ou formatos de dados incomuns.
A trilha de auditoria da redação deve ser preservada junto com o documento editado. A trilha de auditoria documenta quais padrões foram usados, quantas correspondências de cada padrão foram encontradas e se alguma correspondência foi substituída manualmente. Esta documentação oferece suporte à garantia de qualidade e conformidade regulatória.
Expressões regulares para correspondência de padrões podem ser testadas fora da ferramenta PDF antes de executar a redação. Os testadores de regex on-line permitem inserir texto de amostra e ver quais padrões correspondem. Teste seus padrões de número de telefone, e-mail e SSN em amostras representativas do texto do documento para verificar se eles alcançam os alvos pretendidos.
O tempo economizado pela redação baseada em padrões em comparação com a redação manual é substancial. Um documento com 500 instâncias de padrões confidenciais leva menos de um minuto para uma ferramenta baseada em padrões ser localizada e redigida. A redação manual do mesmo documento levaria horas.
Para documentos que serão editados de acordo com uma programação recorrente, como relatórios mensais que sempre contêm os mesmos tipos de dados confidenciais, salve o padrão definido como uma predefinição. Aplicar a predefinição a cada novo relatório garante uma redação consistente sem reconfigurar padrões a cada vez.
Treinar a equipe em técnicas de redação adequadas é tão importante quanto ter as ferramentas certas. Uma ferramenta de redação baseada em padrões em mãos não treinadas pode produzir uma falsa sensação de segurança. A equipe deve compreender o que a ferramenta pode ou não fazer, a importância de revisar as correspondências e as etapas de verificação pós-redação.
Para organizações sujeitas ao GDPR, HIPAA ou regulamentos de privacidade semelhantes, a redação baseada em padrões deve fazer parte de um processo documentado de proteção de dados. O processo deve especificar quais padrões procurar, quem analisa as correspondências e como a redação é verificada antes do documento ser divulgado.
| Padrão | Exemplo de Regex | Risco de correspondência falsa | Dica de verificação |
|---|---|---|---|
| Telefone (EUA) | \(\d{3}\) \d{3}-\d{4} | Médio: corresponde aos números da fatura | Verifique o contexto; desmarcar correspondências não telefônicas |
| \S+@\S+\.\S+ | Baixo: @ é distintivo | Verifique se o domínio é um domínio de email real | |
| SSN | \d{3}-\d{2}-\d{4} | Alto: corresponde aos códigos do produto | Revisão manual essencial para padrões SSN |
| Cartão de crédito | \d{4}-\d{4}-\d{4}-\d{4} | Baixa com verificação de Luhn | Habilite a validação Luhn, se disponível |
Experimente redigir PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.