Texto invisível em PDF: como detectar e por que isso importa

O que é texto invisível

É texto que existe na camada de conteúdo do PDF, mas não é renderizado na página. Ele pode estar escondido por cor, modo de renderização, tamanho, posição ou por uma forma desenhada por cima. A aparência não garante que o conteúdo foi removido.

Formas comuns

• Branco no branco: a cor do texto é igual à do fundo.
• Modo invisível: o PDF usa renderização Tr 3 ou Tr 7, que não pinta o texto.
• Opacidade zero: o texto existe, mas fica transparente.
• Fonte minúscula: texto com 1 pt ou menos, praticamente ilegível.
• Fora da página: o conteúdo é posicionado além da área visível.
• Coberto por forma: um retângulo claro ou escuro esconde o texto.
• Camada oculta: o conteúdo está em uma OCG desligada.

Por que isso importa

• LGPD e privacidade: CPF, endereço ou telefone podem continuar no arquivo mesmo depois de uma tarja visual.
• Prompt injection: instruções escondidas podem tentar manipular ferramentas de IA que leem o PDF.
• Vazamento de conteúdo: cláusulas removidas, comentários internos e versões antigas podem sobreviver.
• Plágio e auditoria: texto escondido pode conter fontes, referências ou trechos não visíveis.

Camada OCR é diferente

PDFs escaneados frequentemente têm uma camada de texto invisível criada por OCR. Isso é legítimo: o texto serve para pesquisa e acessibilidade, enquanto a imagem continua visível. O sinal de alerta é quando o texto invisível não corresponde ao que aparece na página, contém instruções ou traz dados que não estão na imagem.

Como detectar

O Raio-X do PDF combina a leitura da camada de texto com sinais de estilo e uma confirmação visual: a página é renderizada e a área de cada texto é amostrada. Se a região não tem contraste, o texto é classificado como oculto. A aba Texto invisível mostra trechos, páginas, motivos prováveis e uma prévia com marcações.

O recurso também separa camada OCR provável, texto sob tarja, PII oculta e possíveis padrões de prompt injection. A aba Achados resume o impacto e permite filtrar por severidade.

Como remover de verdade

1. Abra o PDF no Raio-X e confira a aba Texto invisível.
2. Se o texto estiver sob uma tarja visual, use Tarjar PDF para queimar o conteúdo.
3. Se houver PII no texto, use Anonimizar PDF e revise o resultado.
4. Se o texto estiver em uma camada indesejada, distribua uma versão rasterizada ou recrie o PDF sem essa camada.
5. Abra o arquivo final, tente selecionar e copiar o trecho; se o texto não vier, a remoção foi real.

Limites

A detecção é heurística. Texto dentro de imagens exige OCR; texto sob imagens texturizadas pode não ser confirmado; recortes, padrões e transparências complexas podem escapar. Uma auditoria não substitui revisão humana em documentos críticos.

Privacidade

A análise é local no navegador. O PDF não é enviado para servidores. Se você compartilhar o relatório, lembre-se de que ele pode conter os próprios trechos sensíveis encontrados.