Tachar un PDF, un Word o un escaneo

Cómo funciona

1. Deposite el documento

   Un PDF, un documento Word (.docx) o la foto de un documento (JPEG, PNG, WebP). Lo lee su navegador, en esta pestaña. Las propuestas aparecen en unos segundos.

2. Decida sobre cada propuesta

   A la derecha, las propuestas agrupadas por tipo; en la página, resaltadas. Tachar, dejar, tachar un nombre en todo el documento, dibujar una zona. J y K para pasar de una a otra, M para tachar, L para dejar, Ctrl+Z para deshacer.

3. Genere el archivo

   El botón se activa cuando todo está decidido. La herramienta reconstruye el documento, lo relee y luego se lo ofrece: la descarga la hace su navegador.

Lo que se detecta, y cómo

Un formato correcto con un dígito de control erróneo se propone « por revisar »: suele ser una errata en el documento, y el dato sigue siendo personal. Las decisiones en bloque nunca afectan a lo que está por revisar.

Varios documentos a la vez

Deposite varios archivos juntos (PDF, Word, escaneos, fotos): se revisan como un solo expediente. Una misma persona, un mismo número son una sola propuesta, que se decide una vez para todos los documentos, y en la seudonimización « [Persona A] » designa a la misma persona en cada uno.

Al exportar, cada documento se reconstruye y se controla por separado; si todos superan su control, se guardan juntos en un archivo ZIP.

Sus reglas

Nombres o palabras que tachar siempre (un cliente, un número de expediente): añádalos una vez en « Mis reglas », y se buscan y se tachan en cada documento que abra después. La lista se queda en este navegador, en este equipo; no se envía a ningún sitio.

Para los números propios de su casa (« EXP-2026-0114 »), « Buscar por patrón » acepta una expresión regular: cada texto encontrado se convierte en una propuesta por decidir, como las demás.

La tabla de correspondencia

En la seudonimización, la herramienta le propone guardar la tabla de las etiquetas y de lo que sustituyen (« [Persona A] = Juan García »), para poder reidentificar más adelante. Se cifra en su navegador (AES-GCM, clave derivada de su frase de contraseña con PBKDF2, 600 000 iteraciones) y luego se guarda como un archivo que debe conservar aparte del documento. Para releerla: « Releer una tabla de correspondencia », bajo la zona de depósito.

Una tabla abierta sirve dos veces más. « Reutilizar esta tabla »: los documentos que abra después recuperan las mismas etiquetas (Juan García vuelve a ser « [Persona A] » en cada nuevo documento), las personas nuevas reciben las etiquetas siguientes y la tabla guardada al final prolonga la anterior. « Restablecer los nombres »: un PDF o un Word seudonimizado por Klarmask que vuelve anotado o completado recupera los nombres en lugar de las etiquetas, en su navegador.

Klarmask no conoce ni la tabla ni la frase: una frase olvidada no se puede recuperar. Y mientras exista la tabla, el documento seudonimizado sigue siendo un dato personal; vea seudonimización o anonimización.

El informe de tachado

Junto con el archivo generado, la herramienta le propone un informe en PDF: la fecha, el modo, cada documento con su número de páginas y la huella SHA-256 del archivo generado, lo que se ha tachado por tipo y por página, las zonas cubiertas en la imagen y el resultado del control de salida. No figura en él ningún valor tachado, ni ninguna etiqueta: puede acompañar al documento, para conservar constancia del tachado o adjuntarlo a una comunicación.

Antes de guardar, un resumen dice cuántos elementos distintos se tacharán y en cuántas apariciones, qué queda visible y de qué tipos no contiene nada este documento. En cien páginas, es lo que permite ver que falta algo: un expediente de personal sin un solo número de seguridad social suele tener una página mal leída.

Los escaneos y las fotos

Una página sin texto (un escaneo, una foto de un documento) se lee por reconocimiento de texto, en su navegador. El motor es el de Klarfile (Tesseract): se descarga desde este sitio la primera vez que se usa, con el modelo del idioma del sitio, y cada archivo se comprueba por su huella antes de usarse.

Cada palabra leída conserva su lugar en la imagen: las propuestas se deciden como en un PDF, y el recuadro negro cubre la palabra entera. Una foto de móvil se endereza, y sus metadatos (dispositivo, ubicación) no pasan al archivo generado.

En el control, las páginas escaneadas del archivo generado se releen por reconocimiento de texto, y se busca en ellas cada elemento tachado: un recuadro mal colocado dejaría un valor legible, y la descarga quedaría bloqueada. El archivo generado contiene además un texto buscable, sin lo tachado.

Firmas, sellos, rostros, matrículas y códigos

Una página lleva también lo que no es texto: una firma, un sello, la foto de un documento de identidad, un código QR que contiene un número de expediente. Tras la apertura, cada página se vuelve a leer como una imagen, en su navegador, y lo que se encuentra fuera del texto se propone como una zona, para tachar o dejar como un nombre. Mientras esta lectura no termine, y mientras quede una zona propuesta sin decidir, el archivo no se puede producir.

Las firmas y los sellos se buscan por la tinta: un trazo fino, azul o negro, o una tinta de color, fuera de las palabras ya leídas. Los rostros de frente los encuentra pico (licencia MIT), y la zona se extiende a toda la foto. Los códigos QR y los códigos de barras los lee zxing (licencia MIT), servido desde este sitio y verificado por su huella. Un rostro de perfil, una firma muy pálida o un código dañado pueden escapar: revise la página y dibuje una zona sobre lo que no se propone.

Las matrículas de las fotos se buscan por la regularidad de sus caracteres: un fondo claro y uniforme, caracteres oscuros y gruesos, alineados. En un documento escrito, un número de matrícula es texto, y lo encuentra una regla. Una matrícula que ocupa menos de una décima parte del ancho de la foto, muy inclinada o sucia, no se propone.

Varias versiones de un mismo documento

Un documento no se tacha igual para la parte contraria, para el público y para uso interno. En « Varias versiones », añada una versión, póngale nombre y marque los tipos que deja visibles; todo lo demás sigue su revisión. Las versiones salen juntas, cada una en su carpeta del archivo, con su propio informe de tachado.

Las etiquetas no cambian de una versión a otra: « [Persona A] » es la misma persona en todas partes, y una sola tabla de correspondencia vale para el conjunto.

Continuar más tarde y guardar la traza

Cien páginas no se deciden de una vez. « Continuar esta revisión más tarde » guarda el trabajo en curso (decisiones, zonas, versiones, modo) en un archivo cifrado con una frase de contraseña. Vuelva a abrir los mismos documentos, lea ese archivo, y la revisión sigue donde la dejó. Los documentos no están en el archivo; los valores detectados sí, y por eso está cifrado.

El registro de tachados, bajo la zona de depósito, guarda una línea por archivo producido en este equipo: la fecha, los documentos, las páginas, el modo y la huella SHA-256 de lo que salió. Ningún valor tachado, ninguna etiqueta. Se queda en este navegador, se exporta en CSV y se borra con un botón.

Los documentos que vuelven

Un membrete, un pie de página, un número impreso en el margen: la misma zona vuelve en cada página. Dibújela una vez y luego « Repetir » en todas las páginas, las pares o las impares. Una página de otro tamaño la recibe en el mismo sitio relativo.

Un tipo de documento que vuelve (una nómina, un extracto) se tacha siempre en los mismos sitios: guarde sus zonas y sus reglas con un nombre, en « Plantillas », y vuelva a aplicarlas en el siguiente. Las plantillas se quedan en este navegador, en este equipo.

Un archivo se las lleva: «Guardar el archivo» escribe sus plantillas y sus reglas, «Leer un archivo» las devuelve, aquí o en el equipo de un colega. Lo que aporta se añade a lo que usted tiene, sin borrar nada. El archivo no está cifrado, y sus reglas son nombres: guárdelo como un documento.

Los documentos Word

Un documento Word es un archivo comprimido que contiene varios archivos: el texto, pero también las revisiones con control de cambios, los comentarios, las propiedades (autor, empresa), los campos y los enlaces. Un nombre escondido en una de esas partes sobrevive a un buscar y reemplazar.

Klarmask no limpia el documento: escribe uno nuevo, solo con las partes que entiende. Las revisiones se aceptan (el texto eliminado desaparece con su autor), los comentarios y las propiedades se eliminan, y cada valor tachado se sustituye allí donde esté: en el texto, aunque esté partido entre varios segmentos de formato, en los encabezados, los pies de página, las notas, los cuadros de texto, los campos, el texto alternativo de las imágenes y la dirección de los enlaces.

El archivo generado se relee como un PDF: se recorren cada párrafo, cada atributo y cada imagen, y se comprueba la estructura del paquete antes de ofrecérselo.