كيف تنقّح ملف PDF بحيث يتعذّر استرجاع النص

النسخة المختصرة

ملف PDF قائمة من تعليمات الرسم. وإضافة مستطيل أسود فوق اسم ما تُلحق تعليمة واحدة أخرى: ارسم مستطيلاً أسود مملوءاً عند هذه الإحداثيات. أما التعليمة التي ترسم الاسم فما زالت في الملف، في موضع أسبق من القائمة نفسها. والمستطيل يستقر فوقه بصرياً ولا يفعل به شيئاً بنيوياً.

حدّد المنطقة في قارئ PDF واضغط نسخ. سيكون الاسم في حافظتك؛ ولم يُخترق شيء، بل قُرئ النص من الملف كما يقرأ أي قارئ أي نص.

والتنقيح الذي يصمد يعني إزالة المحتوى لا إخفاءه. وكل ما يلي هنا ينبع من هذا التمييز.

لماذا تفشل المربعات السوداء

وفق المواصفة ISO 32000-1، وهي المعيار الذي يعرّف صيغة PDF، تأتي العلامات على الصفحة من تدفق محتوى: سلسلة من العوامل تحدد موضع خط وتضبط لوناً وتعرض سلسلة من الحروف. فالنص مخزَّن كنص. وهذا ما يجعل ملف PDF قابلاً للبحث، وسبب قدرة القارئ على تسليمك الكلمات حين تحددها.

والشكل المرسوم بعد ذلك ليس سوى عامل آخر في التدفق نفسه. فترتيب الرسم يحدد ما تراه؛ ولا يحدد ما هو موجود. ولذلك تنجو الكلمات من كل طريق إلى الملف لا يمرّ بالنظر إليه:

• التحديد والنسخ في أي قارئ PDF.
• أداة pdftotext أو أي أداة استخراج أخرى، وهي تتجاهل الرسوم كلياً وتعيد طبقة النص.
• البحث — فالمستند ما زال قابلاً للفهرسة بكلماته المخفية، بما في ذلك من قِبل محركات البحث إن كان منشوراً.
• فتح الملف في محرر وحذف المستطيل، وهو ما يعيد المظهر الأصلي بالضبط.

وقد أنتج هذا النمط من الإخفاق تسريبات حقيقية. ويتكرر النمط في ملفات المحاكم والإصدارات الحكومية: إذ يُنشر مستند وأسماؤه أو أرقامه مغطاة بمستطيلات سوداء، وخلال ساعات يكون أحدهم قد نسخ النص منه مباشرة. وتنشر وكالة الأمن القومي الأمريكية إرشادات لتطهير ملفات PDF لهذا السبب بالضبط، وتعليمتها المحورية هي المذكورة أعلاه — فتغطية المحتوى ليست إزالته.

وينطبق الأمر نفسه على كل التنويعات. فالتظليل الأصفر فوق نص أسود، والنص الأبيض على خلفية بيضاء، والمربع الملوّن، والشكل في طبقة تعليقات، كلها تغييرات شكلية في ما يُرسم؛ وتبقى الحروف في تدفق المحتوى ويعيدها أي مستخرِج نصوص. والأبيض على أبيض أسوأها جميعاً، لأنه لا يبدو منقَّحاً أصلاً.

ما الذي ينجح فعلاً

للتنقيح السليم شرط واحد: ألّا يبقى في الملف المحتوى الذي كان يحمل المعلومة الحساسة. وهناك طريقان لبلوغ ذلك.

الأول جراحي — تحليل تدفق المحتوى، وإزالة العوامل التي تعرض النص في المنطقة المنقَّحة، وإعادة كتابة التدفق. وهو دقيق لكنه هشّ: فالنص موضوع في شظايا نادراً ما تتطابق مع الكلمات. وإن نُفِّذ بشكل ناقص ترك خلفه سلاسل جزئية، وهي أسوأ نتيجة ممكنة، لأن الملف عندها يبدو منقَّحاً وهو ليس كذلك.

والثاني هو إعادة بناء الصفحة بحيث لا تعود كائنات النص الأصلية موجودة إطلاقاً. وهذا ما تفعله أداة التنقيح في iBuildPDF. فأنت تعلّم المناطق المراد إزالتها؛ وعن كل صفحة معلَّمة، ترسم الأداة تلك الصفحة بواسطة PDF.js، وترسم مناطق التنقيح كتعبئة صمّاء فوق البكسلات المرسومة، ثم تكتب صفحة جديدة مبنية من تلك الصورة بواسطة pdf-lib. وتحتوي الصفحة المعاد بناؤها على صورة واحدة ولا عوامل نص فيها. فلا شيء تحت المناطق السوداء لأنه لا شيء تحت أي شيء — إذ صارت الصفحة بكسلات.

والمقايضة حقيقية وينبغي أن تخطط لها. ففي كل صفحة تنقّحها، يتوقف النص كله عن كونه قابلاً للتحديد، لا الجزء المنقَّح وحده. ولا تعود تلك الصفحات قابلة للبحث ولا للنسخ ولا للقراءة بقارئ الشاشة، ويزداد حجم الملف عادةً، لأن صورة صفحة نص أكبر مما كان النص عليه.

أما الصفحات التي لا تعلّمها فتُترك كما كانت تماماً، فيحتفظ تقرير من 200 صفحة فيه صفحتان منقَّحتان بـ198 صفحة قابلة للبحث. وحيث تكون المقايضة غير مقبولة — لمتطلب إتاحة لذوي الإعاقة، أو لمستند يجب أن يبقى قابلاً للبحث بأكمله — فنقّح عند المصدر بدلاً من ذلك: أزل النص في الملف الأصلي وصدّر ملف PDF جديداً. وفي الحالتين، نقّح في النهاية: فإعادة التصدير من الأصل بعد ذلك تعيد بصمت كل ما أزلته.

التأكد من أن التنقيح نجح

لا ترسل أبداً مستنداً منقَّحاً لم تختبره. والاختبار يستغرق دقيقتين.

1. انسخ والصق. افتح الملف الذي نزّلته، وحدّد المنطقة المنقَّحة وهامشاً سخياً حولها، وانسخ، ثم الصق في محرر نصوص مجرّد. وفي صفحة أُعيد بناؤها بشكل صحيح لن تحصل على شيء، لأنه لا يوجد نص يُحدَّد.
2. استخرج المستند كاملاً. مرّر النتيجة عبر أداة PDF إلى نص وابحث في الناتج عن السلسلة المنقَّحة. وهذا هو الفحص الأهم، لأنه يغطي الملف كله لا المنطقة التي صادف أن حددتها — بما في ذلك صفحة يظهر فيها الاسم نفسه ونسيت تعليمها. وابحث عن الشظايا أيضاً: اسم عائلة وحده، أو آخر ستة أرقام من رقم حساب.
3. افحص البيانات الوصفية. افتح الملف في محرّر البيانات الوصفية. فالمصطلحات الحساسة تنجو روتينياً في حقلَي العنوان أو الكلمات المفتاحية، والعنوان كثيراً جداً ما يكون اسم الملف الأصلي — فاسم مثل Smith-settlement-confidential.pdf يُبطل التنقيح في الصفحة الرابعة دون أن يقرأ أحد الصفحة.

وتعمل الأدوات الثلاث كلها داخل متصفحك، فالتحقق من ملف سري لا يعني رفعه. وإن أظهر البحث شيئاً، فعامِل الملف بوصفه غير منقَّح بدل ترقيعه بمستطيل آخر.

ما الذي لا يستطيعه التنقيح

أربعة قيود، بصريح العبارة.

• لا يؤثر إلا في النسخة التي تنزّلها. فالتنقيح ينتج ملفاً جديداً. أما الأصل فيبقى كما هو على قرصك، وكل نسخة سبق إرسالها أو حفظها أو نسخها احتياطياً ما زالت تحوي كل شيء. وإن كانت النسخة غير المنقَّحة قد خرجت من سيطرتك، فتنقيحها الآن لا يغيّر من ذلك شيئاً.
• الترتيب مهم عند التحويل إلى نقاط. فإعادة بناء الصفحة كصورة لا تكون آمنة إلا لأن المنطقة المنقَّحة تُملأ قبل كتابة الصورة — إذ تحلّ البكسلات السوداء محل البكسلات التي كانت تُظهر النص. أما العملية التي تحوّل الصفحة إلى نقاط أولاً ثم تضع مستطيلاً أسود فوق الصورة الناتجة فقد أعادت إنتاج المشكلة الأصلية بصورة جديدة: فالكلمات ما زالت هناك كبكسلات تحت المربع، ويستعيدها كل من يزيله. وتأكّد بفحص الاستخراج المذكور أعلاه بدل افتراض أن الأداة أصابت الترتيب.
• ما زالت الآلة قادرة على قراءة صورة الصفحة. فالتحويل إلى نقاط يُبطل النسخ واللصق واستخراج النص؛ لكنه لا يجعل النص الظاهر المتبقي غير مقروء للتعرّف الضوئي على الحروف، وهو قدرة اعتيادية في برمجيات متاحة على نطاق واسع. فالتنقيح يحمي المحتوى المغطّى لا بقية الصفحة. وiBuildPDF لا يوفّر تعرّفاً ضوئياً — فلا توجد أداة كهذه في الموقع — أي أن الحديث هنا عمّا يستطيع غيرك فعله بناتجك.
• البيانات الوصفية نظام منفصل. فحقول معلومات المستند وكتلة XMP توجد خارج محتوى الصفحة ولا يمسّها أي شيء يُفعل بالصفحات. امسحها بأداة إزالة بيانات PDF الوصفية، وراجع ما الذي تحتويه بيانات PDF الوصفية لمعرفة ما تحمله تلك الحقول.

والعادة التي تمنع معظم إخفاقات التنقيح بسيطة: افترض أن الملف ما زال يحوي ما أزلته، واطلب منه أن يثبت العكس باستخراج النص والبحث فيه.