Camada de Texto Oculta em PDF: Como Fraudadores Enganam OCR

Um PDF quase sempre contém duas versões do mesmo conteúdo: a imagem que aparece no ecrã e uma camada de texto invisível, incorporada por baixo, usada para pesquisa, cópia e — cada vez mais — lida diretamente por sistemas automáticos de verificação documental. Quando essas camadas divergem, um humano vê uma coisa e o sistema que processa o ficheiro "lê" outra. Esta é a base de uma técnica de fraude documental que contorna tanto a inspeção visual quanto muitos motores de OCR mal configurados.

Este artigo é fornecido apenas para fins informativos e não constitui aconselhamento jurídico, financeiro ou regulatório. As referências regulamentares estão corretas à data de publicação.

O que é a camada de texto oculta de um PDF e porque os sistemas confiam nela

A camada de texto oculta é um conjunto de glifos incorporado no ficheiro PDF, posicionado com coordenadas exatas sobre a imagem visível, mas invisível ao olho humano por defeito. Esta camada existe legitimamente em qualquer PDF gerado por OCR: um digitalizador converte um papel em imagem, o motor de OCR reconhece os caracteres, e o resultado é gravado como texto com modo de renderização invisível (Tr 3 na sintaxe PDF), sobreposto pixel a pixel à imagem original para permitir pesquisa e cópia sem alterar o aspeto do documento.

O problema surge porque muitos sistemas de processamento documental — pipelines de KYC, scoring de crédito, extração de dados — leem preferencialmente esta camada de texto em vez de voltarem a correr OCR sobre a imagem, porque extrair texto já codificado é instantâneo e o OCR consome tempo de processamento. A investigação académica "PhantomLint", publicada em 2025, documenta como conteúdo oculto incorporado em documentos estruturados consegue contornar pipelines de ingestão automatizada que tratam o texto interno como fonte autoritativa (arXiv:2508.17884, arxiv.org/pdf/2508.17884). O mesmo princípio que permite enganar um sistema de IA com um prompt escondido num documento aplica-se a um sistema de verificação enganado por um valor escondido.

Como os fraudadores exploram o desfasamento entre texto oculto e imagem visível

O ataque consiste em desalinhar deliberadamente as duas camadas de um PDF para que um sistema automático leia dados diferentes dos que um humano vê. Existem três variantes principais, todas reproduzíveis com ferramentas de edição PDF vulgares:

Imagem alterada, texto original preservado. O fraudador edita visualmente um montante, uma data ou um nome num recibo de vencimento, extrato bancário ou fatura, mas a camada de texto subjacente — herdada de uma versão anterior ou de uma cópia legítima — mantém os valores antigos ou de outra pessoa. Um revisor humano vê o valor falso; um sistema que extrai apenas o texto pode capturar o valor genuíno e aprovar por engano, ou ignorar a incoerência porque nunca cruza as duas fontes.

Texto "limpo" injetado sobre imagem manipulada. Mais sofisticado: depois de alterar a imagem, o fraudador escreve uma nova camada de texto invisível, coerente com o valor falso, especificamente para enganar sistemas que fazem apenas extração de texto e nunca chegam a analisar os pixels.

Desalinhamento acidental por edição sucessiva. Nem toda a divergência é maliciosa: um documento editado várias vezes em ferramentas diferentes pode acumular camadas de texto desatualizadas sem intenção fraudulenta. A patente norte-americana US11775749, "Content masking attacks against information-based services and defenses thereto", formaliza esta classe de ataque como um risco estrutural dos serviços que processam informação extraída de documentos sem verificação cruzada contra a representação visual (image-ppubs.uspto.gov), confirmando que o problema é uma categoria de ataque reconhecida, não uma curiosidade técnica isolada.

O caso Manafort: quando a camada de texto traiu uma redação legal

Em janeiro de 2019, um erro de redação num processo judicial demonstrou publicamente que as camadas visível e oculta de um PDF são realmente independentes. Os advogados de Paul Manafort submeteram um documento ao tribunal federal com passagens cobertas por retângulos pretos, mas sem eliminar o texto subjacente — apenas desenharam uma forma opaca por cima. Jornalistas copiaram o texto "redigido" e colaram-no noutro ficheiro, revelando em poucas horas que Manafort tinha partilhado dados de sondagens da campanha de Trump com um associado ligado à Rússia, um facto que a redação deveria ter ocultado (ABA Journal, "Paul Manafort's attorneys failed at redacting").

É importante situar este caso corretamente: não foi um esquema de fraude, foi uma falha de redação. Mas ilustra o mecanismo em causa neste artigo — a camada visível e a camada de texto de um PDF podem divergir de forma consequente, e essa divergência já causou incidentes reais, muito antes de qualquer conversa sobre IA generativa. Um fraudador que compreenda esta independência estrutural tem incentivo direto para a explorar em sentido inverso: não expor texto oculto por acidente, mas escondê-lo ou fabricá-lo de propósito.

Como detetar a divergência entre texto extraído e imagem renderizada

A deteção baseia-se num princípio simples: extrair a camada de texto incorporada e, em paralelo, correr OCR independente sobre a imagem renderizada, depois comparar os dois resultados campo a campo. Uma diferença material entre o que o ficheiro "diz" internamente e o que está visualmente representado é um sinal forte de manipulação, sobretudo em montantes, IBAN, datas e nomes.

Nenhuma camada isolada é suficiente. Um sistema que só faz OCR sobre a imagem nunca sabe que existe uma segunda fonte de dados a contradizê-lo; um sistema que só lê o texto incorporado nunca confirma que corresponde ao que está efetivamente visível. Combinar as duas extrações com uma verificação de metadados e histórico de revisões — a mesma lógica documentada no artigo sobre deteção de adulteração de metadados em PDF — constitui a abordagem com maior taxa de deteção documentada para este tipo de manipulação estrutural.

Em fóruns e comunidades online, é comum encontrar utilizadores a perguntar porque "copiar o texto de um PDF" às vezes devolve valores diferentes dos que aparecem no ecrã, ou como confirmar se um documento recebido por email foi "só editado na aparência". Estas perguntas, ainda que em linguagem leiga, descrevem o fenómeno deste artigo: duas fontes de verdade dentro do mesmo ficheiro raramente verificadas em conjunto.

Ferramentas e sinais técnicos que revelam texto oculto num PDF

Um PDF suspeito costuma exibir artefactos técnicos reconhecíveis, mesmo quando a manipulação visual é convincente: texto branco sobre fundo branco, texto fora dos limites visíveis da página, fontes de tamanho ínfimo ou ilegível, modo de renderização invisível aplicado a campos que não deveriam ser texto de OCR, e caracteres Unicode invisíveis entre glifos legítimos.

O projeto de código aberto "hidden-text-detector" implementa deteção automatizada precisamente destes cinco padrões — texto branco sobre branco, fontes sub-legíveis, texto fora de página, modo de renderização invisível e caracteres Unicode invisíveis — em ficheiros PDF e DOCX, provando que estes sinais são identificáveis programaticamente e não exigem inspeção manual página a página (github.com/wppoland/hidden-text-detector).

Porque a verificação automática não deve confiar apenas na camada de texto

Confiar cegamente na camada de texto incorporada expõe qualquer entidade que processe documentos de clientes a um vetor de fraude que nem a inspeção visual manual nem o OCR tradicional cobrem isoladamente. Em Portugal, as entidades sujeitas à Lei n.º 83/2017 de combate ao branqueamento de capitais têm o dever de aplicar diligência adaptada ao risco na verificação de documentos de clientes, e a transposição da AMLD6 (Diretiva 2024/1640) reforça a expectativa de controlos técnicos — não apenas visuais. Entidades supervisionadas pelo Banco de Portugal e pela CMVM que tratam dados extraídos de PDFs de clientes devem também considerar as suas obrigações de exatidão de dados pessoais perante a CNPD, quando a fonte pode ter sido adulterada.

O ENISA Threat Landscape 2024 situa a manipulação de documentos e a fraude de identidade entre os vetores de ataque com maior crescimento na União Europeia, num contexto de ferramentas de edição cada vez mais acessíveis. O custo de não cruzar as duas camadas não é só regulatório: segundo o Relatório ACFE 2024 to the Nations, apenas cerca de 37% das fraudes são detetadas por controlos internos, com um atraso médio de 87 dias até à deteção — tempo em que documentos fraudulentos continuam a circular pelo processo de decisão.

Como o CheckFile complementa esta deteção

A verificação documental automatizada eficaz combina várias camadas de análise em vez de confiar numa única fonte. A análise multicamada que combina OCR independente, extração de texto incorporado, metadados e coerência entre documentos é a metodologia que permite identificar tanto a divergência entre texto oculto e imagem quanto outras formas de adulteração estrutural, como as descritas no artigo sobre ferramentas forenses de documentos com IA ou na validação cruzada de documentos além do OCR.

Para equipas de banca e crédito, esta lógica integra-se nos fluxos de KYC bancário; para seguradoras que processam sinistros com documentação anexa, aplica-se de forma equivalente às soluções para seguradoras. A plataforma CheckFile suporta mais de 3.200 tipos de documentos, 24 idiomas de OCR e cobre 32 jurisdições, com um SLA de disponibilidade de 99,94%. Detalhes sobre a arquitetura de segurança estão na página de segurança, e os planos em tarifs.

Nenhuma técnica isolada, incluindo o cruzamento texto-imagem descrito aqui, deteta todas as formas de fraude documental. Como complemento aos controlos existentes, a análise de sinais de geração por IA em documentos suspeitos — incluindo imagens totalmente sintéticas — reforça a cobertura de deteção. Para essa camada adicional, consulte a nossa deteção de deepfakes e conteúdo gerado por IA, pensada para complementar, e não substituir, os controlos técnicos descritos neste artigo.

Consulte também o guia de verificação documental para um panorama completo dos métodos de deteção de fraude por tipo de documento.

Perguntas frequentes

Todos os PDFs têm uma camada de texto oculta?

Não. Apenas PDFs processados por OCR, ou exportados de software de edição de texto, contêm uma camada de texto pesquisável. Um PDF puramente fotográfico é apenas imagem e não tem texto extraível — o que, por si só, é um sinal a considerar.

É legal ou normal um PDF ter texto invisível?

Sim, é uma prática técnica comum e legítima. O modo de renderização invisível é a forma padrão de tornar um documento digitalizado pesquisável sem alterar o seu aspeto. O problema não é a existência da camada, é a divergência não detetada entre essa camada e a imagem visível.

Como posso verificar manualmente se um PDF tem texto escondido suspeito?

Selecione todo o conteúdo da página (Ctrl+A) e cole-o num editor de texto simples: se aparecerem valores diferentes dos visíveis no PDF, há uma divergência a investigar. Esta verificação deteta os casos mais evidentes, mas não substitui uma análise automatizada que cruze texto extraído, OCR e metadados.

Um sistema de OCR tradicional deteta este tipo de fraude?

Não de forma fiável. Um OCR tradicional lê a imagem visível e, isoladamente, não sabe que existe uma camada de texto incorporada nem que esta pode conter valores diferentes. A deteção exige extrair as duas fontes e compará-las explicitamente, e não apenas confiar numa das duas.

Esta técnica está a tornar-se mais comum com ferramentas de IA?

Não existe ainda uma estatística pública fiável sobre a prevalência desta técnica. O que está documentado é que ferramentas de edição cada vez mais acessíveis reduzem a barreira técnica para a executar, e que investigação académica recente, como o estudo PhantomLint de 2025, confirma que pipelines automatizados continuam vulneráveis a conteúdo oculto em documentos estruturados.