Legal a tarja remover o conteúdo de verdade, é justamente onde muita ferramenta falha. Alguns lugares onde o dado costuma sobreviver mesmo depois que o texto some da página, caso queira incluir nos testes com "PDFs estranhos":
- Campos de formulário (AcroForm): o valor fica em
/Vdo campo e também na aparência (/AP). Se a tarja só mexe no conteúdo da página, o CPF digitado num campo continua no arquivo. - Anotações: comentários e notas guardam texto em
/Contents, fora do fluxo da página. - Metadados: título e assunto no
/Infoe no XMP às vezes trazem o nome original do arquivo, com o CPF junto. - PDF marcado (acessível):
/ActualTexte/Altna árvore de estrutura podem repetir o texto apagado. - Página escaneada: ali o CPF é pixel; a tarja precisa pintar a própria imagem, não só desenhar o retângulo por cima.
- Salvamento incremental: se o export anexar uma revisão em vez de reescrever o arquivo, os objetos antigos continuam lá dentro.
Para conferir, pdftotext saida.pdf - | grep 123.456 pega o caso comum, mas não pega texto em fonte subconjunto sem /ToUnicode nem os pontos acima. qpdf --qdf --object-streams=disable saida.pdf - | grep -a 123.456 costuma achar o que sobrou em metadados e formulários, porque descomprime tudo.