Biblioteca para censurar PDF en Python y JavaScript
Encuentra y censura datos personales en PDF desde tu propio código. ScaleDP (Python) y ScaleDP-TS (JavaScript) encadenan OCR para PDF escaneados, detección de entidades con IA y censura en un solo pipeline, en tus propios servidores o por completo en el navegador.
Open source bajo la licencia AGPL-3.0
pip install scaledpnpm install @stabrise/scaledpCensura PDF en Python con ScaleDP
ScaleDP es una biblioteca de Python open source para pipelines de IA documental. Carga PDF en un DataFrame de Pandas o Spark, ejecuta OCR y detecta datos personales con modelos NER para saber qué hay que censurar.
Censura con IA
Detecta y censura automáticamente datos personales como nombres, ubicaciones, correos electrónicos y fechas.
Precisión según el contexto
Usa IA avanzada para entender el contexto y censurar con precisión.
Documentos escaneados (OCR)
OCR integrado con Tesseract, EasyOCR, Surya o docTR que detecta y censura texto en imágenes y PDF escaneados.
Local o sobre Spark
Úsala como biblioteca de Python normal en un equipo, o escala el mismo pipeline sobre Apache Spark para censurar miles de documentos.
Multilingüe
Compatible con idiomas comunes: inglés, español, alemán, italiano, ruso y más.
Encaja en tu stack de datos
Funciona con DataFrames de Pandas y Spark, así la censura se integra en tus flujos de datos y pipelines de machine learning.
Ejemplo en Python: OCR y detección de datos personales
pip install scaledpfrom scaledp import *
spark = ScaleDPSession()
pipeline = PipelineModel(stages=[
PdfDataToImage(),
TesseractOcr(),
Ner(model="d4data/biomedical-ner-all"),
])
result = pipeline.transform(df)Censura PDF en JavaScript, directamente en el navegador
ScaleDP-TS es la versión en TypeScript de ScaleDP. Instala @stabrise/scaledp y el mismo tipo de pipeline se ejecuta en el cliente, en navegadores HTML5 modernos, con onnxruntime-web, así que los documentos nunca se suben.
Sin subida, sin servidor
Los documentos nunca salen del navegador. OCR, NER y censura se ejecutan en el cliente.
Funciona con onnxruntime-web
Los modelos se ejecutan localmente con WebAssembly o WebGPU, sin ida y vuelta al servidor.
OCR en el navegador
El reconocimiento de texto PaddleOCR detecta texto en imágenes y PDF escaneados.
NER zero-shot
GLiNER te permite definir tipos de entidad como "person" o "email" al llamar a la función, sin reentrenar.
Detección de firmas y rostros
Detectores basados en YOLO localizan firmas y rostros para censurarlos.
Modular y combinable
Importa solo lo que necesitas (/pdf, /ocr, /ner, /detect) y encadena etapas con una API de Pipeline sencilla.
Ejemplo en TypeScript: OCR y detección de datos personales en el navegador
npm install @stabrise/scaledpimport { Pipeline } from '@stabrise/scaledp'
import { PdfToImage } from '@stabrise/scaledp/pdf'
import { PaddleTextRecognizer } from '@stabrise/scaledp/ocr'
import { GlinerNer } from '@stabrise/scaledp/ner'
const pipeline = new Pipeline([
new PdfToImage({ resolution: 300 }),
new PaddleTextRecognizer({ preset: 'v6-small' }),
new GlinerNer({ labels: ['person', 'email', 'phone'] }),
])
const rows = await pipeline.transform(file)Biblioteca o API: ¿Cuál Necesitas?
Biblioteca open source
- La ejecutas tú: en tus servidores, tu clúster de Spark o el navegador del usuario
- Python (ScaleDP) o JavaScript y TypeScript (ScaleDP-TS)
- Gratis bajo AGPL-3.0
- Tú eliges y gestionas los modelos de OCR y NER
API y SDK de Censura de PDF
- API REST gestionada, también disponible autoalojada
- Llámala desde cualquier lenguaje por HTTP
- Nivel gratuito y después pago por página
- Detección ajustada para producción de datos personales, firmas, fotos y códigos QR
Cómo censurar un PDF en Python o JavaScript
Censurar un PDF por código lleva tres pasos: obtener el texto, encontrar las partes sensibles y eliminarlas de la página. En un PDF digital el texto ya está en el archivo. Un PDF escaneado es una imagen, así que primero hay que extraer el texto con OCR. ScaleDP admite Tesseract, EasyOCR, Surya y docTR, de modo que puedes censurar PDF escaneados en Python con el motor de OCR que mejor se adapte a tus documentos.
En la detección es donde una biblioteca supera a las expresiones regulares. Los patrones encuentran correos y teléfonos, pero se les escapan nombres, direcciones y términos médicos. ScaleDP aplica modelos NER de Hugging Face sobre el resultado del OCR y devuelve cada entidad con su posición en la página, lista para censurar. El mismo pipeline funciona en un solo equipo con Pandas o en un clúster de Apache Spark cuando tienes miles de archivos.
Para aplicaciones web, ScaleDP-TS lleva el pipeline a JavaScript y TypeScript. El renderizado del PDF, el reconocimiento de texto con PaddleOCR, la detección de entidades con GLiNER y la detección de firmas y caras con YOLO se ejecutan en el navegador con WebAssembly o WebGPU. Como no se sube nada, encaja en aplicaciones HTML5 que censuran PDF y en las que los documentos deben quedarse en el dispositivo del usuario.
Ambas bibliotecas son gratuitas bajo AGPL-3.0, y tú alojas y ajustas los modelos. Si prefieres llamar a un servicio gestionado desde cualquier lenguaje, o mantener las obligaciones de la AGPL fuera de tu código, usa la API para censurar PDF. Para documentos sueltos, el editor online no necesita código.
Preguntas frecuentes sobre la biblioteca para censurar PDF
- ¿La biblioteca de censura de PDF es gratuita y open source?
- Sí. ScaleDP y ScaleDP-TS son open source bajo la licencia GNU AGPL-3.0, así que puedes usarlas, modificarlas y autoalojarlas gratis. La AGPL-3.0 exige que, si modificas el código y lo pones a disposición de otros, incluso a través de una red, compartas tus cambios bajo la misma licencia.
- ¿Cómo censuro un PDF en Python?
- Instala ScaleDP con pip install scaledp y crea un pipeline: convierte las páginas del PDF en imágenes, ejecuta OCR (Tesseract, EasyOCR, Surya o docTR) y detecta datos personales con un modelo NER. Cada entidad detectada incluye su posición en la página, que te indica qué zonas tapar. Funciona en un solo equipo con Pandas o en Apache Spark.
- ¿Puedo censurar PDF en el navegador con JavaScript?
- Sí. ScaleDP-TS (npm install @stabrise/scaledp) ejecuta el renderizado del PDF, el OCR y la detección de entidades en el cliente con onnxruntime-web, sobre WebAssembly o WebGPU. Funciona en navegadores HTML5 modernos y los documentos nunca salen del dispositivo del usuario.
- ¿Debo usar ScaleDP (Python) o ScaleDP-TS (JavaScript)?
- Usa ScaleDP para trabajos en servidor y por lotes en Python, en un solo equipo o escalado sobre Apache Spark. Usa ScaleDP-TS cuando los documentos deban quedarse en el dispositivo del usuario: ejecuta OCR, detección de datos personales y censura en el navegador con onnxruntime-web.
- ¿Necesito Apache Spark para usar ScaleDP?
- No. ScaleDP funciona como una biblioteca de Python normal en un solo equipo con DataFrames de Pandas. Apache Spark es opcional y solo hace falta si quieres distribuir el procesamiento en un clúster.
- ¿La biblioteca puede censurar PDF escaneados?
- Sí. Ambas bibliotecas incluyen OCR. ScaleDP admite Tesseract, EasyOCR, Surya y docTR, y ScaleDP-TS ejecuta PaddleOCR en el navegador, de modo que el texto de páginas e imágenes escaneadas se puede detectar y censurar.
- ¿ScaleDP-TS sube mis documentos a un servidor?
- No. ScaleDP-TS se ejecuta por completo en el cliente: el renderizado del PDF, el OCR y el reconocimiento de entidades se ejecutan en el navegador con WebAssembly o WebGPU. Solo se descargan los archivos de los modelos; tus documentos nunca salen del dispositivo.
- ¿Cuándo debería usar la API de censura de PDF en lugar de la biblioteca?
- Elige la API si quieres un servicio gestionado que puedas llamar desde cualquier lenguaje sin alojar modelos tú mismo, o si prefieres no asumir las obligaciones de la AGPL-3.0 en tu propio código.
Integra la censura de PDF en tu producto
¿Necesitas ayuda para integrar ScaleDP en tu pipeline? Habla con los ingenieros de ML y datos que lo desarrollan sobre OCR, detección de datos personales y grandes volúmenes de documentos.