Sværté tekst i en PDF
i din browser.

At dække tekst, du ikke vil dele

Grundene til at redigere (redact) en PDF handler som regel om at skjule dele af et dokument, mens resten forbliver læseligt. En kontrakt med modpartens hjemmeadresse går videre til en tredje gennemlæser, der ikke skal se den adresse. En lægehenvisning deles med et forsikringsselskab, hvor patientidentifikatoren skal være dækket. Et regnskab vedhæftes en bestyrelsesmappe, men kontonumrene på enhedsniveau skal dækkes. Et projektforslag vises til kandidatleverandører med budgetlinjen sværtet, så de tilbyder uden at forankre sig på tallet. Opgaven her er lille og forudsigelig: skriv de ord eller fraser, der skal skjules, og værktøjet tegner et dækkende sort rektangel over hver forekomst på hver side.

Læs dette omhyggeligt, før du redigerer noget følsomt: dette er visuel redigering, ikke retsteknisk. De sorte rektangler dækker teksten på skærm og i tryk, men den underliggende tekst bliver i filen. Enhver med et PDF-værktøj kan trække den ud via kopier-indsæt, søgning eller content-stream-inspektion. Det er passende, når lejlighedsvise læsere ikke skal se teksten — afsendelse af et udkast, skjule ikke-offentlige kontonumre for en kollega, maskere dit telefonnummer på et skærmbillede. Det er ikke passende for offentliggørelser efter offentlighedsloven, retssager eller alt, hvor en modstander kigger nøje.

Sådan virker matchen

Du indtaster et eller flere mønstre. Hvert mønster søges som case-insensitive whole-substring-match mod tekstfragmenter inden i PDF'en. Når et fragment indeholder dit mønster, tegnes et sort rektangel over hele fragmentets bounding-rect.

Praktiske konsekvenser:

• Substring-match, ikke hele ord. Mønsteret art dækker «art», «artist», «smart», «martin». Lav mønstrene tilstrækkeligt specifikke — hele navne, hele kontonumre, hele e-mails.
• Ikke følsom over for store/små bogstaver. Mønsteret Anna dækker «Anna», «anna», «ANNA».
• Ingen regex, ingen jokere. Det du skriver er den bogstavelige sekvens at matche.
• Dækning pr. fragment. PDF gemmer tekst i fragmenter; det tegnede bounding rect dækker et helt fragment. Hvis dit mønster rammer et ord i et fragment med mere tekst, dækkes den omgivende tekst også. Som regel er det hvad man vil; nogle gange ser man mere dækket end ventet.
• Mønstre på tværs af fragmentgrænser misses. «Lars Hansen» er ét fragment i nogle PDF'er og to i andre. Er det delt, matcher mønsteret ikke på den samlede streng. Tilføj delene som separate mønstre: Lars Hansen, Hansen, Lars.

Det sorte rektangel har 1 punkt padding rundt om den fundne bounding box — på grund af subpixel-glyfplacering, så striber af originalteksten ikke kigger ud i kanterne.

Hvad der er skjult vs. hvad der bliver i filen

Denne sektion vejer tungere end nogen anden. Det sorte rektangel er en tegne­instruktion i sidens content-stream. Originalteksten er også i content-streamen, nedenunder. PDF-fremvisere viser dem i rækkefølge: tekst først, så rektangel ovenpå, så rektanglet vinder visuelt. Men selve teksten slettes ikke.

Hvad det betyder konkret:

• Kopier-indsæt henter originalteksten. At markere det redigerede område i Adobe Reader og kopiere giver de ord, du forsøgte at skjule. Det sorte rektangel kan ikke markeres; teksten under kan.
• Søgemaskiner finder teksten. Hvis den redigerede PDF uploades til et website, vil en søgning på det redigerede navn bringe dokumentet frem.
• Gemme igen i et andet PDF-værktøj kan beholde begge lag. Nogle værktøjer bygger content-streamen om og kan kassere redaktioner; andre beholder dem.
• Retstekniske værktøjer trækker originalen ud nemt. Enhver PDF-parser kan liste alle tekst-content-streams. Rektanglet er bare en separat tegning.

For situationer, hvor den underliggende tekst virkelig skal væk — offentliggørelser efter åbenhedsret, beviser i retten, alt der går til en modstander — har du brug for et andet workflow: re-eksportér kildedokumentet med den følsomme tekst slettet, eller konvertér siden til billede og OCR igen (hvilket permanent fjerner tekstlaget).

Hvad der overlever og hvad ikke

• Det synlige sideindhold forbliver det samme. Alt der ikke matchede står som det var — samme skrifttyper, samme layout, samme billeder.
• Bogmærker, anmærkninger, links, formularfelter — alt overlever. Rektanglerne er tilføjede tegninger; intet andet bygges om.
• Originalteksten bevares nedenunder. Se sektionen ovenfor. Det er den centrale begrænsning.
• Digitale signaturer ugyldiggøres. Enhver ændring af dokumentet, inklusiv tilføjelse af rektangler, bryder signaturens binding.
• Krypterede PDF'er skal låses op først. Kør gennem unlock-pdf med adgangskoden før redigering.

Hvis noget ser skævt ud

• «At least one redaction pattern required». Mønsterlisten var tom. Skriv mindst ét ord eller en frase.
• Mønsteret matchede, men dækkede mere tekst end ventet. PDF'en gemte den linje som ét fragment, og rektanglet er pr. fragment. Som regel acceptabelt; er det et problem, skal kilden re-eksporteres med teksten korrekt fjernet.
• Mønsteret matchede ikke det, jeg ventede. Tre sædvanlige årsager: (1) teksten ligger i et scannet billede, ikke i et tekstlag — værktøjet ser ikke billedtekst; OCR først via pdf-to-txt eller et dedikeret værktøj. (2) Mønsteret går over flere fragmenter — del op i kortere. (3) PDF'en bruger ikke-latinske tegn med ødelagt kodning; kopier fra en fremviser for at se, hvad der faktisk står der, er den hurtigste diagnose.
• Jeg redigerede, men en kollega trak teksten ud via kopier-indsæt. Virker som dokumenteret — kun visuel redigering. For reel fjernelse re-eksportér fra kilden.

Praktiske noter

1. Brug til visuel skjulen, ikke til modstanderscenarier. Skjule et navn i et udkast sendt til en ven, der ikke vil ekstrahere: ok. Skjule et navn i en retssag, hvor modparten kører retstekniske værktøjer: ikke ok.
2. Specifikke mønstre frem for generiske. Redigér +45-33-555-0123, ikke 0123. Redigér [email protected], ikke jane. Specifikke mønstre overdækker mindre og skjuler lige godt det, du ville.
3. Verificér ved at kopiere. Efter redigering åbn resultatet i en fremviser, marker det redigerede område, kopier. Hvis originalteksten kommer ud, har du bekræftet begrænsningen — fortsæt kun, hvis visuel skjulen er nok.
4. For varig fjernelse: brug kilden. Kommer dokumentet fra Word, redigér Word og re-eksportér. Fra en database, kør forespørgslen igen uden følsomme felter. PDF-redaktionsværktøjet er til tilfælde, hvor kilden mangler.
5. Den oprindelige fil er uberørt. Det du downloader er en ny redigeret PDF; kilden på disken ændres ikke.

Hvad der sker med din fil

Redigeringen kører i din browser. De skrevne mønstre og filindholdet forlader aldrig denne fane. Åbn DevTools og hold øje med Network-fanen under operationen — ingen udgående anmodninger med filindhold eller mønstre. PDF'en bliver på disken; den redigerede version er en ny download ved siden af.