Jurnal de modificări
CBS-PII 1.0.6
publicată la 20 noiembrie 2026
Aplicație desktop care anonimizează documente românești — PDF cu text, scanate sau fotografiate — integral pe computerul utilizatorului: fără internet, fără cont, fără telemetrie.
Noutăți în 1.0.6
- Scanări de calitate slabă: recunoașterea optică combină acum mai multe treceri pe aceeași pagină, așa că datele de pe extrasele bancare scanate prost (de exemplu IBAN-urile) sunt găsite și redactate.
- Acte de identitate: fotografia unui permis sau a unei cărți de identitate este acoperită integral chiar și atunci când textul de pe ea este greu de citit.
- Redactare reală: textul redactat este eliminat din fișierul PDF, nu doar acoperit; restul rândului rămâne text selectabil.
- PDF-ul exportat este curățat: metadatele (autor, program, istoric XMP), adnotările, atașamentele și cuprinsul documentului original nu mai ajung în fișierul anonimizat.
- Fișiere mai mici: PDF-urile anonimizate sunt în medie de câteva ori mai ușoare decât în versiunea anterioară.
- Stabilitate pe macOS: a fost corectată o eroare rară care făcea ca o procesare reușită să fie raportată ca eșuată.
- Noul motor PDF este PDFium (licență BSD/Apache). Licența aplicației și notele despre componentele terțe sunt incluse în aplicație.
Ce face
- Recunoaște datele personale dintr-un document și le înlocuiește cu etichete de forma
{CNP:1}, {PERSOANA:2}, lăsând restul textului neatins.
- Citește PDF-uri cu text nativ și pagini scanate sau fotografiate. Recunoașterea optică este inclusă în aplicație: nu trebuie instalat nimic separat.
- Decide pagina cu pagina, nu o dată pentru tot documentul: într-un contract cu o singură pagină scanată, acea pagină nu este omisă.
- Acoperă integral cartea de identitate, pașaportul și permisul, chiar fotografiate cu telefonul.
- Afișează documentul original și cel anonimizat în paralel, cu tabelul entităților găsite.
- Fiecare entitate poate fi activată sau dezactivată manual, iar paginile nedorite pot fi excluse din export.
- Exportă PDF-ul anonimizat și, alături, textul anonimizat în format
.md — util pentru a fi trimis mai departe unui model de limbaj.
- Istoricul documentelor procesate: pot fi redeschise, cu starea și entitățile lor păstrate local.
Tipuri de date recunoscute
- 33 de tipuri active, care sunt redactate în document.
- 3 tipuri dezactivate implicit (salariu, funcție, adresă IP): sunt detectate, dar lăsate în clar, pentru că în contextul unui act ele fac documentul lizibil. Pot fi activate din interfață.
- 2 situații tratate de reguli, nu de model: codul fiscal italian (părți străine în contracte) și acoperirea întregii fotografii a unui act de identitate, inclusiv a chipului.
Printre ele: CNP, serie și număr buletin, pașaport, permis de conducere, zonă de citire optică (MRZ), CUI, număr registru comerț, IBAN, cont bancar, card bancar, adresă, localitate, județ, cod poștal, telefon, email, societate, număr contract, număr de înmatriculare, VIN.
Validare prin sumă de control pentru CNP (mod-11), IBAN (mod-97), card bancar (Luhn) și CUI (cheia ANAF). Dacă suma de control nu se potrivește, predicția este respinsă — nu ajunge în document.
Formate acceptate
| Intrare | PDF (text nativ, scanat sau fotografiat), .txt, .md, .docx |
| Ieșire | PDF anonimizat + text anonimizat în .md |
Platforme
- Windows 10 sau mai nou, 64 de biți — installer
.exe, instalare per utilizator, fără drepturi de administrator. Installerul și executabilul sunt semnate.
- macOS — pachet
.dmg, Apple Silicon.
- Linux x86_64 — AppImage, un singur fișier, fără instalare. Nu necesită semnătură.
Confidențialitate
- Datele nu părăsesc calculatorul: aplicația nu face nicio conexiune la internet.
- Nu există cont, autentificare, telemetrie sau raportare de utilizare.
- Rezultatele, baza de date a documentelor și fișierele exportate rămân în folderul local al utilizatorului.
Limitări cunoscute
- Etichetele din aceeași familie se pot suprapune:
ADRESA cu LOCALITATE și JUDET, iar NUM_DOC este cea mai zgomotoasă dintre ele (poate absorbi coduri CAEN și numere de articol de lege).
DATA nu distinge o dată de naștere de o dată de contract: orice dată este redactată.
CI_SERIA și PASAPORT nu au o sumă de control publică în România, deci sunt posibile false pozitive.
- Numele care apar singure, fără un context care să le dea de înțeles (o etichetă deasupra, un
Subsemnatul), sunt mai greu de prins.
- Pragurile de filtrare sunt prudente: se preferă trecerea cu vederea a unor fragmente foarte scurte în locul redactării unui text care nu este dată personală.