Anonimizador de Documentos

Visão Geral

Ferramenta para anonimização de documentos (.pdf, .docx, .txt), projetada para processar e redigir informações sensíveis e dados pessoais. A ferramenta trata a anonimização de documentos do Sistema Eletrônico de Informações (SEI) corretamente, identificando e mascarando padrões específicos da plataforma. O script opera através de uma interface gráfica nativa (Tkinter) e de uma classe estruturada (DocumentAnonimizer) para uso programático.

🚀 Executável Prontamente Disponível (Sem Código)

Para usuários que não desejam utilizar linhas de comando ou códigos Python, o programa possui um executável com interface gráfica nativa, intuitivo e fácil de usar. Basta baixar e executar localmente no computador.

🔗 Clique aqui para baixar o Executor Confiável (v1.0.0)

Recursos de Anonimização

O sistema identifica e mascara os seguintes elementos no texto e na estrutura dos arquivos:

• Documentos SEI: Oculta números de 7 dígitos e Códigos de Autenticação (CRC). Em arquivos PDF, aplica tarjas sobre QR Codes e Barras Laterais de Autenticação do sistema.
• CPF: Formato de saída ***.XXX.XXX-**
• RG e Data de Expedição
• E-mails e Telefones
• Links: Remoção de hiperlinks da estrutura do arquivo (PDF) ou substituição no texto (.docx, .txt).
• Nomes Próprios: Identificação por Processamento de Linguagem Natural (NLP) via spaCy e expressões regulares de resgate.

Requisitos e Dependências

O projeto requer Python 3.x e as seguintes bibliotecas:

• PyMuPDF (fitz): Para leitura e manipulação das camadas do PDF.
• python-docx: Para processamento de arquivos Microsoft Word.
• spacy: Para o motor de NLP.
• Modelo NLP do spaCy: pt_core_news_lg.

Instalação

pip install PyMuPDF python-docx spacy
python -m spacy download pt_core_news_lg

Uso Programático (Classe DocumentAnonimizer)

A classe DocumentAnonimizer é a interface principal para integrar a anonimização em fluxos de dados ou automações. Deve ser utilizada via gerenciador de contexto (with) para gerenciar o estado da execução.

Estrutura de Opções

O comportamento da classe é definido por um dicionário passado no momento da instanciação. O padrão, caso omitido, é:

opcoes_padrao = {
    "cpf": True,
    "rg": True,
    "email_tel": True,
    "doc_sei": True,
    "qr_code": True,
    "links": True,
    "nomes": False,
    "modo_nomes": "iniciais"  # Alternativa: "total" para [NOME]
}

Exemplo 1: Processamento de Arquivo Único

Demonstração de configuração para mascarar apenas CPFs e Nomes em um arquivo de texto.

from anonimizer import DocumentAnonimizer

config = {
    "cpf": True,
    "nomes": True,
    "modo_nomes": "total", # Substitui nomes identificados por [NOME]
    "email_tel": False,
    "rg": False,
    "doc_sei": False,
    "qr_code": False,
    "links": False
}

with DocumentAnonimizer(opcoes=config) as anonimizador:
    # Se o caminho de saída for omitido, gera o arquivo com sufixo '_anonimizado.docx'
    caminho_saida = anonimizador.processar_arquivo("C:/caminho/para/documento.docx")
    print(f"Documento tratado salvo em: {caminho_saida}")

Exemplo 2: Processamento em Lote (Automação de Diretórios)

Demonstração de varredura em um diretório definindo um caminho de saída customizado.

import os
from anonimizer import DocumentAnonimizer

pasta_origem = "dados/originais"
pasta_destino = "dados/anonimizados"
extensoes_suportadas = ('.pdf', '.docx', '.txt')

os.makedirs(pasta_destino, exist_ok=True)

# Utiliza as opções padrão
with DocumentAnonimizer() as anonimizador:
    for arquivo in os.listdir(pasta_origem):
        if arquivo.lower().endswith(extensoes_suportadas):
            caminho_in = os.path.join(pasta_origem, arquivo)
            caminho_out = os.path.join(pasta_destino, f"tratado_{arquivo}")
            
            try:
                anonimizador.processar_arquivo(caminho_in, caminho_out)
                print(f"Sucesso: {arquivo}")
            except Exception as e:
                print(f"Falha ao processar {arquivo}: {e}")

Referência de Métodos

• __init__(self, opcoes: Dict[str, bool] = None): Inicializa a classe. Atribui o dicionário de opções.
• processar_arquivo(self, caminho_entrada: str, caminho_saida: str = None) -> str: Roteia a execução com base na extensão do arquivo (.pdf, .docx, .txt). Aplica as marcações de redação nas coordenadas identificadas (PDF) ou substitui as cadeias de caracteres diretamente no texto (DOCX/TXT). Retorna o caminho do arquivo gerado.
• extrair_nomes_nlp(self, texto: str) -> Set[str]: Executa o modelo pt_core_news_lg sobre a string fornecida. Filtra entidades PER considerando uma lista restritiva interna (termos_protegidos). Retorna um conjunto (set) de strings com os nomes validados.

Interface Gráfica

Para a execução visual interativa, execute o arquivo de forma direta:

python anonimizer.py

Considerações para Implementações Futuras e Automação

1. Gestão de Memória: O modelo pt_core_news_lg consome recursos na inicialização. Em fluxos que instanciam o script iterativamente, mantenha o escopo de importação em nível global para evitar recarregamento repetido do modelo.
2. Tratamento de Exceções em Lote: Arquivos corrompidos ou mal formatados podem gerar erros de leitura. Mantenha os blocos try...except nas iterações de pasta para garantir que um arquivo danificado não interrompa a esteira de processos (conforme Exemplo 2).
3. Expansão de Whitelist: Se aplicado em outros setores, modifique a variável termos_protegidos dentro do método extrair_nomes_nlp para incluir siglas departamentais específicas, mitigando a detecção de falsos positivos pelo modelo de reconhecimento de entidades nomeadas (NER).