1

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 /V do 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 /Info e no XMP às vezes trazem o nome original do arquivo, com o CPF junto.
  • PDF marcado (acessível): /ActualText e /Alt na 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.

Carregando publicação patrocinada...
1

Valeu pela lista, virou um teste fixo aqui.

Coloquei um CPF de teste nos seis lugares que você citou e procurei no PDF exportado, nos bytes crus e em cada stream descomprimido.

  • Anotações, /Info e XMP, /ActualText e /Alt, página escaneada e salvamento incremental: o número não aparece em nenhum. Metadados e árvore de estrutura são removidos, e o arquivo sai reescrito com uma revisão só.
  • Formulário (AcroForm): hoje a exportação com tarja recusa o arquivo. Não vaza, mas também não tarja. O próximo passo é achatar o formulário antes de tarjar.

Se tiver mais algum caso estranho, manda que eu incluo no teste.

1

Bom resultado, e melhor recusar o AcroForm do que deixar passar.

Quando for achatar, dois detalhes que costumam escapar:

  • depois de desenhar a aparência na página, o /AcroForm e os widgets precisam sair do arquivo. Senão o /V continua guardado nos objetos dos campos, mesmo sem aparecer na tela.
  • se o PDF tiver XFA (a chave /XFA dentro do /AcroForm), os dados do formulário ficam num pacote XML separado, que não passa pelo /V.

Mais três lugares para colocar o CPF de teste:

  • anexos (/EmbeddedFiles, dentro de /Names no catálogo);
  • miniatura da página (/Thumb), que é uma imagem pequena da página original;
  • títulos de marcadores (/Outlines) e camadas desligadas (/OCProperties), em que o texto existe mas não aparece na visualização.