Documento escaneado: o que o scanner grava no arquivo

O scanner grava, no arquivo que produz, o nome do aparelho ou do software de digitalização, a data em que a página foi lida e, em alguns casos, dados do dispositivo que pediu o escaneamento. Um PDF escaneado também não é só uma imagem: é um PDF com propriedades próprias e, quando passou por reconhecimento de texto, uma camada de texto invisível. Limpar o documento significa tratar as duas coisas.

O que um escaneamento grava

A digitalização cai num dos três formatos mais comuns: PDF, TIFF ou JPEG. Em cada um, o aparelho escreve o que consegue. Um PDF costuma ter um bloco como este (exemplo ilustrativo, os nomes mudam conforme o aparelho):

Title       : Contrato social - página 1
Creator     : Software de digitalização do aparelho
Producer    : Driver do fabricante 3.2
CreateDate  : 2026:09:14 09:21:37
ModifyDate  : 2026:09:14 09:21:37

• Creator e Producer dizem qual programa gerou o arquivo. Parecem inofensivos, mas revelam a marca e o software do escritório ou da repartição.
• CreateDate e ModifyDate mostram quando a página foi lida. Um escaneamento feito às 9h21 de uma segunda-feira diz quando você esteve no cartório ou na empresa.
• Um TIFF ou um JPEG gerado por scanner costuma trazer o bloco EXIF completo, com Make, Model e Software do equipamento. Em alguns modelos aparece também o nome do computador ligado, no campo HostComputer.

Aplicativos de digitalização no celular, como os de notas e os de armazenamento em nuvem, têm comportamento variável. Eles trabalham a partir da foto da página, e se a câmera gravou a localização, o PDF gerado pode ou não repassá-la. Não há como saber só pelo nome do aplicativo, por isso confira o arquivo gerado antes de enviar.

A camada de texto que o OCR cria

O OCR (reconhecimento óptico de caracteres) é o processo que transforma a imagem da página em texto pesquisável. O resultado fica no PDF como uma camada de texto escondida sob a imagem. Quem abre o arquivo não vê essa camada, mas quem copia um trecho, pesquisa uma palavra ou usa um leitor de tela recebe exatamente o texto reconhecido.

Isso tem consequências práticas. Um CPF num campo de formulário, um número de processo na margem ou uma anotação feita à mão, quando o OCR consegue ler, ficam pesquisáveis mesmo que você tenha coberto a área com uma tarja. É o mesmo problema que aparece em tarjas pretas em PDF: a imagem esconde, o texto continua. Para tirar o dado, refaça o escaneamento sem ele ou edite o documento antes de gerar a versão final.

Pontos de impressão: o que vem do papel

Algumas impressoras coloridas a laser deixam, em cada página impressa, um padrão de pontos amarelos quase invisíveis que identifica o aparelho. Esse padrão não é metadado: ele está no papel e se transfere para a imagem quando o documento é escaneado ou fotografado. Não há campo para apagar e nenhuma ferramenta de metadados o remove.

O caso mais citado é o de Reality Winner, em 2017. Uma cópia escaneada de um documento publicado na imprensa dos Estados Unidos trazia esses pontos, que permitiram identificar a impressora de origem. A lição não é sobre escaneadores, e sim sobre o papel: o que foi impresso e depois digitalizado carrega marcas que o arquivo, sozinho, não mostra. É um caso parecido com o da marca d’água invisível em imagens, que também fica na própria imagem.

Como limpar um escaneamento

1. Veja o que há. Envie o arquivo para o leitor de metadados, gratuito e sem cadastro, e observe Creator, Producer, as datas e os campos de localização, se existirem.
2. Decida sobre o texto. Se a camada de OCR contém algo que não deve sair, refaça a digitalização sem aquela parte ou apague o trecho antes de gerar o PDF. Limpar metadados não resolve isso.
3. Limpe o arquivo. Envie o PDF, o TIFF ou o JPEG para a MetaWipe. Ela reescreve o PDF inteiro, o que tira Creator, Producer e as datas, e remove o bloco EXIF das imagens. O guia de PDF e o de TIFF mostram o que muda em cada formato.
4. Confira. Leia de novo a versão limpa. Se o campo Creator ainda mostrar o nome do aparelho, a limpeza não aconteceu.

Um lote de digitalizações

Quem digitaliza um processo inteiro, com dezenas de páginas, geralmente recebe um arquivo por página ou um PDF por documento. Nos dois casos o padrão se repete, e vale tratar tudo de uma vez. A MetaWipe aceita até 50 arquivos por lote e devolve o resultado num ZIP, com o relatório do que foi encontrado e do que restou depois da leitura do arquivo limpo. Se a digitalização veio de um aparelho diferente para cada página, confira Creator e Software nos primeiros arquivos: se forem iguais, o lote inteiro segue o mesmo padrão.

Uma ressalva honesta

Para a maioria dos documentos escaneados, a informação mais sensível está no conteúdo, e não no arquivo. Um RG, um comprovante de endereço ou um contrato já dizem o que precisam dizer, e os metadados do scanner são uma camada menor. Se o documento vai para um órgão público que precisa da cópia original, limpar o arquivo não muda o que o órgão recebe; muda o que circula depois, quando alguém repassa a cópia.

Também vale separar o caso de um escaneamento que é prova. Se a integridade do original importa, guarde o arquivo como foi gerado e trabalhe numa cópia, como tratam os posts sobre quando não remover metadados. Para ver o que um documento como esse pode dizer sobre quem o enviou, o caso de denúncias anônimas mostra os campos mais comuns.