En enero de 2019, los abogados de Paul Manafort depositan ante el tribunal un escrito «censurado»: los pasajes sensibles están cubiertos de rectángulos negros. Bastó copiar y pegar el texto para leerlo todo — incluido el intercambio de datos de encuestas con un intermediario ruso. No fue un descuido aislado: el fallo de la censura es un fenómeno documentado, medido y estudiado por la investigación en seguridad. Esto es lo que ha establecido, y el método que le responde.
El primer nivel de fallo: un rectángulo es un dibujo, no una supresión
Un PDF no es una imagen: el texto vive en un flujo de contenido estructurado, y el rectángulo negro no es más que un objeto gráfico colocado encima. Mientras el objeto de texto exista, cualquier lector puede recuperarlo — selección y copiar-pegar, extracción con pdftotext, indexación por un buscador.
Los fallos célebres se cuentan por decenas. Además del escrito Manafort, cabe citar el manual de control de la TSA difundido en 2009 con zonas negras reversibles, o el informe militar estadounidense sobre la muerte del agente Nicola Calipari (2005), cuyos pasajes clasificados fueron recuperados del mismo modo. El defecto no perdona a los profesionales: ya en 2011, un análisis de unos 2 000 documentos del sistema judicial estadounidense PACER registraba cerca de 200 censuras reversibles.
Trodat ID Protector — sello de privacidadRodillo de tinta que oculta direcciones e identificadores en papel antes de destruirlos.afiliado
El segundo nivel: eliminar el texto tampoco basta
La conclusión natural — «basta con retirar el texto del archivo» — también es insuficiente. Es el objeto de un artículo de investigación publicado en la revista PoPETs en 2023, Story Beyond the Eye: Glyph Positions Break PDF Text Redaction (Maxwell Bland, Anushya Iyer, Kirill Levchenko, Universidad de Illinois).
Su descubrimiento: incluso cuando el texto bajo la zona está realmente retirado del archivo, la posición horizontal de los caracteres alrededor del hueco delata lo que contenía. La justificación, el kerning y las métricas de fuente producen desplazamientos infrapíxel medibles: al compararlos con las posiciones esperadas para cada palabra candidata, se puede reducir fuertemente el espacio de posibilidades — a veces hasta identificar la palabra censurada.
Los resultados medidos son elocuentes:
- 11 herramientas de censura populares examinadas, flujos de Adobe Acrobat incluidos: la mayoría filtra información;
- ciertas zonas pierden más de 15 bits de entropía — el espacio de textos candidatos queda dividido por unos 32 000;
- sobre un corpus real de 22 120 documentos (entre ellos 18 975 informes de inspectores generales estadounidenses), 769 censuras de nombres propios resultan vulnerables; para 164 de ellas, los autores reducen el nombre a menos de 494 candidatos sobre un diccionario de 7 millones;
- los investigadores demuestran el ataque sobre piezas de los casos Epstein/Maxwell y Manafort, así como sobre un documento Snowden, y detectan más de 100 000 documentos mal censurados en circulación.
Los autores publicaron algoritmos correctivos en código abierto y avisaron a Adobe, Microsoft, el Departamento de Justicia estadounidense y PACER. La lección: una censura que conserva los objetos de texto de la página — incluso limpiados — sigue siendo atacable.
El tercer canal: todo lo que queda alrededor del texto
Incluso una censura correctamente ejecutada puede filtrar por los bordes. El título y el autor del documento, las fechas de creación y modificación, el flujo de metadatos XMP, las anotaciones, los archivos adjuntos, las capas y las miniaturas sobreviven a una censura que no reconstruye el archivo. El anonimato de una página puede saltar porque el campo «Autor» dice quién la produjo.
La respuesta correcta: destruir la página, no la palabra
El método que cierra estos tres canales es la rasterización destructiva: renderizar la página como imagen. En una imagen ya no hay objeto de texto que extraer, ni posiciones de glifos que medir, ni flujo que desarmar. Lo que era texto se convierte en píxeles — y bajo el rectángulo, en píxeles negros.
Es exactamente el método que aplica la herramienta de censura de Document Flare, y es verificable en el código: tras dibujar los rectángulos opacos, cada página censurada se renderiza en canvas (escala ×2), se convierte a JPEG (calidad 0,95) y se reinserta en un PDF reconstruido desde cero. Las páginas sin censura se copian tal cual. Y como el documento producido es un archivo nuevo, ningún metadato fuente se recopia — ni título, ni autor, ni fechas de origen; solo se escriben los campos Producer/Creator «Document Flare».
El análisis que localiza las zonas a censurar también se ejecuta en el navegador: nueve tipos de datos personales detectados (IBAN, NIR, tarjetas bancarias, SIREN y SIRET, correos electrónicos, teléfonos, fechas de nacimiento, IPv4), complementados por un modo de palabras clave para los nombres y referencias que la detección no conoce. El paso a paso está en nuestro artículo sobre la censura de datos personales.
Límites honestos
La rasterización es el método correcto, no un método gratuito:
- las páginas censuradas se convierten en imágenes: el texto ya no es seleccionable, los enlaces y marcadores de esas páginas desaparecen y el archivo puede volverse más pesado;
- solo se rasterizan las páginas que contienen una zona censurada — las demás conservan su texto;
- la detección automática sigue siendo heurística: un identificador exótico, un nombre sin contexto o un escaneo sin capa de texto pueden escapársele. Revisa y completa con palabras clave;
- la censura trata el contenido visible; para las anotaciones o archivos adjuntos, encadena con la herramienta de limpieza (ver limpiar un PDF antes de compartirlo).
La prueba final sigue siendo la misma que para cualquier herramienta: reabre el PDF producido e intenta copiar lo que hay bajo un rectángulo negro. Nada debe salir. Y como todo se ejecuta en tu navegador, también puedes comprobar en la pestaña Red que ninguna petición ha transportado el documento — un principio detallado en el pilar sobre las herramientas PDF sin subida.
El material adecuado
Trodat ID Protector — sello de privacidadRodillo de tinta que oculta direcciones e identificadores en papel antes de destruirlos.afiliado
Fellowes 6M — microcorte P-4Microcorte P-4: para documentos de identidad y financieros.afiliado
