Alternativas para anonimizar PDFs: qué funciona de verdad

Adobe Acrobat Reader gratuito, con edición manual

Abrir el PDF, añadir rectángulos negros sobre los datos personales y guardar.

• Está instalado en casi cualquier equipo
• No cuesta nada

• La versión gratuita no incluye herramienta de redacción: los rectángulos son anotaciones gráficas sobre el PDF
• El texto original sigue existiendo por debajo y se recupera seleccionando, copiando y pegando en otro documento

Inaceptable como anonimización. Es la causa número uno de fugas de datos en documentos supuestamente depurados.

Adobe Acrobat Pro

La herramienta "oficial" en muchas organizaciones. No es gratuita —ronda los 23 €/mes— pero se incluye porque es la que la mayoría tiene a mano.

• Incluye redacción real, que elimina el texto subyacente
• Tiene herramienta de limpieza de metadatos

• Redacción y limpieza de metadatos son dos pasos distintos, y saltarse uno es frecuente
• No detecta automáticamente qué debe redactarse: el usuario marca a mano cada ocurrencia
• No reconoce identificadores del contexto español —DNI, NIE, CCC, NUSS— como patrones automáticos
• No genera log de auditoría exportable para presentar ante la AEPD

Técnicamente es anonimización real, pero el proceso es lento y propenso a error humano: es fácil olvidar ocurrencias o no depurar metadatos.

LibreOffice Draw

Abrir el PDF en Draw, eliminar los objetos de texto con datos personales y exportar de nuevo a PDF.

• Gratuito y sin límite de documentos al mes
• Elimina el texto de verdad, no lo tapa

• Solo funciona con PDFs editables, no con escaneados
• No hay modo redacción: se borra el texto manualmente, uno por uno
• No limpia los metadatos del PDF exportado, que quedan en el XMP
• Inviable para lotes de documentos
• Los cambios no quedan registrados para auditoría

Útil para casos muy puntuales, como un contrato suelto. Inviable para procesos repetitivos.

Herramientas online gratuitas, tipo PDF24, Smallpdf o iLovePDF

Subir el PDF, aplicar la herramienta de redacción online y descargar el resultado.

• No requieren instalación
• Algunas redactan correctamente el texto subyacente

• Los ficheros se suben a servidores de terceros: si contienen datos personales, la subida ya es un tratamiento que exige contrato de encargo y probablemente evaluación de impacto
• La mayoría no tiene servidores en la UE ni firma encargos de tratamiento conformes al RGPD
• Límites de tamaño y de número de documentos al día en la versión gratuita
• No generan log de auditoría exportable

Jurídicamente problemático para documentos con datos personales reales. Si se usan, debería ser sobre documentos ya anonimizados, nunca con los originales.

Scripts propios de Python con PyPDF2, pdfplumber o pikepdf

Programar un script que abra el PDF, detecte patrones de datos personales por expresiones regulares o por NLP, los sustituya y guarde un PDF limpio.

• Control total sobre el proceso
• Reproducible y auditable si se diseña bien
• Gratuito si ya se dispone de un desarrollador

• Requiere conocimientos de programación y tiempo de desarrollo
• Construir un detector de identificadores españoles con precisión alta —distinguir un DNI de cualquier otro número del texto— no es trivial
• Los PDFs tienen estructuras muy diversas: un script que funciona con un tipo falla con otro
• Exige mantenimiento continuo si cambian los formatos de documento

Razonable solo si ya existe equipo técnico y el volumen justifica el desarrollo. Para la mayoría de las empresas, pagar por una herramienta especializada sale más barato que mantener un script interno.

pdf-redact-tools, de la Freedom of the Press Foundation

Herramienta libre orientada al periodismo. Aplica redacción real y convierte las páginas en imágenes para eliminar capas ocultas.

• Software libre, con un enfoque de seguridad máxima
• Redacción real y eliminación de capas ocultas
• Funciona sobre documentos escaneados

• No detecta automáticamente qué redactar: hay que combinarla con otra herramienta de detección
• Al convertir a imagen, el documento pierde la selección de texto y con ella accesibilidad
• Requiere línea de comandos
• Poca actividad de desarrollo reciente

Excelente para redacción de seguridad máxima, del tipo que exige una filtración periodística. Excesivo para el flujo empresarial corriente.

¿Se puede anonimizar un PDF gratis?

Sí, es perfectamente posible. LibreOffice Draw elimina texto de verdad en PDFs editables y pdf-redact-tools aplica redacción real sobre escaneados. Lo que ninguna vía gratuita ofrece es detección automática de identificadores españoles ni log de auditoría exportable, que es lo que la AEPD pide para demostrar cumplimiento.

¿Por qué no vale tapar los datos con un rectángulo negro?

Porque en la versión gratuita de Adobe Reader ese rectángulo es una anotación gráfica colocada encima del PDF, no una redacción. El texto original sigue existiendo por debajo y se recupera seleccionando todo el documento, copiando y pegando en otro archivo. Es la causa número uno de fugas de datos en documentos supuestamente depurados.

¿Hay riesgo en usar servicios online gratuitos con datos reales?

Sí. Subir un documento con datos personales a un servidor de terceros es en sí mismo un tratamiento: exige contrato de encargo con el proveedor y probablemente evaluación de impacto. La mayoría de estas herramientas no tiene servidores en la UE ni firma encargos conformes al RGPD. Si se usan, debería ser sobre documentos ya anonimizados.

¿Compensa programar un script propio en Python?

Solo si ya existe equipo técnico y el volumen justifica el desarrollo. El problema no es abrir el PDF, es construir un detector de identificadores españoles con precisión suficiente para distinguir un DNI de cualquier otro número, y mantenerlo cuando cambian los formatos de documento. Para la mayoría de las empresas sale más caro mantener el script que pagar la herramienta.