Wie man mit Python prüft, ob geschwärzter Text in einem PDF tatsächlich entfernt wurde

Ein geschwärztes PDF kann auf verschiedene Weise scheitern, etwa wenn ein schwarzes Rechteck nur als Annotation darübergelegt wird oder Schwärzungen zwar markiert, aber nie angewendet wurden. Der Autor erzeugte sieben Versionen desselben Formulars und prüfte sie mit drei Text-Extraktoren, einem Scan aller Streams und den Metadaten. Dabei zeigte sich, dass die sichtbare Schwärzung die Daten im Textinhalt oft nicht entfernt, weil Extraktoren die Textoperatoren statt der Pixel lesen. Eine einfache Suche mit grep reicht wegen Kompression und Hex-Kodierung nicht aus, daher braucht es eine Entpackung der Streams und eine echte Textextraktion. Die Ergebnisse zeigen, dass nur bestimmte Bereinigungsschritte die Kontonummer und den Autorennamen zuverlässig entfernen.
This is an AI-generated summary. ShortSingh links to the original source for the complete article.
Discussion (0)
Log in to join the discussion and vote.
Log in