README.pt-BR.md

pdf_steg

Português · English

Toolkit de esteganografia na camada de texto de PDFs. Esconde mensagens em PDFs que renderizam idênticos ao original para um leitor humano, mas são extraíveis por software (pdftotext, page.get_text(), document loaders de LLM…). Útil para watermarking, teste de robustez de pipelines de ingestão por agentes de IA, CTFs e pesquisa em esteganografia.

Usa PyMuPDF.

O que faz

Um PDF tem duas camadas que podem divergir: o que um humano enxerga (glifos renderizados) e o que software extrai (camada de texto / objetos de caractere). Esta ferramenta explora essa divergência.

Duas técnicas, dois subcomandos:

Subcomando	Página visível	Conteúdo da camada de texto
hide	Idêntica ao original (rasterizada)	Apenas as letras escolhidas da mensagem secreta, nas posições originais
embed	Idêntica ao original	Texto original + payload [STG:<base64>:STG], renderizado invisível

Os dois geram PDFs visualmente idênticos ao original. A diferença está no que pdftotext / page.get_text() / Ctrl+A devolvem.

Por que existe

A capacidade é dual-use. Usos legítimos documentados:

• Teste de segurança em agentes de IA próprios — verificar se um pipeline de ingestão de documentos (RAG, sumarização, OCR) é influenciado por conteúdo invisível ao revisor humano. É a mesma ideia de pesquisa em prompt injection, aplicada a entradas em PDF.
• Watermarking — embutir uma string de atribuição/rastreio que sobrevive a copy-paste mas não polui o layout visível.
• Pesquisa em esteganografia e CTFs — ilustrar de forma limpa a divergência entre camada de imagem e camada de texto em PDFs.
• Ensino — mostrar como a extração de texto difere da renderização visual.

Fora do escopo: mirar sistemas de terceiros sem autorização, ou evadir detecção em deployments adversariais. Use em infraestrutura própria ou em testes autorizados.

Instalação

pip install pymupdf

Uso

analyze — inventário de letras

python pdf_steg.py analyze entrada.pdf

Imprime quantos caracteres de cada tipo o PDF tem. Útil pra saber se a mensagem secreta cabe na técnica hide (toda letra da mensagem precisa aparecer pelo menos uma vez no documento).

hide — rasterização seletiva

python pdf_steg.py hide entrada.pdf -m "minha mensagem" -o saida.pdf [--mode MODO] [--seed N] [--dpi N] [--strict]

Renderiza cada página como imagem e reinsere uma camada de texto invisível (render_mode=3) contendo os caracteres de --message, cada um na posição original que ocupava no PDF de entrada. No PDF resultante, copy-paste da página inteira devolve só a mensagem secreta — o restante é imagem e não é selecionável.

Por default a ferramenta tenta embutir todos os caracteres da mensagem — letras, dígitos, pontuação e espaços. Se um caractere não-alfanumérico (@, espaço, etc.) não puder ser inserido (sem ocorrência no PDF, ou ordem inviável), ele é silenciosamente removido da mensagem embutida e um aviso é impresso em stderr. Já alfanuméricos são essenciais — perder uma letra corromperia a mensagem — então uma letra ausente é erro fatal. Use --strict pra transformar qualquer char ausente em erro.

--mode controla como as posições são escolhidas entre as ocorrências disponíveis:

Modo	Comportamento
greedy	Primeira ocorrência depois do cursor — caracteres concentram no início
spread	Default. Estratificado aleatório — cada caractere mira sua fatia do documento com jitter; quando a fatia está vazia, escolhe a próxima ocorrência à frente
even	Centro determinístico de cada fatia — distribuição regular sem aleatoriedade

Se a mensagem é minimamente viável (cada caractere essencial tem pelo menos uma ocorrência em ordem), spread e even garantem inserção — nunca falham depois de começar. --seed N torna o spread reprodutível. --dpi controla a resolução da rasterização (default 220).

reveal — lê um PDF gerado por hide

python pdf_steg.py reveal saida.pdf

Despeja a camada de texto duas vezes: como extraída (com as quebras de linha naturais por causa de letras em linhas visuais diferentes) e uma versão "compacta" sem nenhum espaço em branco — que é a mensagem.

embed — payload em texto invisível

# default: mantém a camada de texto visível intacta
python pdf_steg.py embed entrada.pdf -m "mensagem secreta" -o saida.pdf

# também rasteriza o texto visível, deixando o payload como único texto extraível
python pdf_steg.py embed entrada.pdf -m "mensagem secreta" -o saida.pdf --rasterize [--dpi N]

Codifica a mensagem como [STG:<base64>:STG] e a adiciona à primeira página como um text run de 1 pt invisível. A página renderiza idêntica ao original.

Flag	Página visível	O que get_text() devolve
(nenhuma, default)	Idêntica à origem	Texto original + [STG:...:STG]
--rasterize	Idêntica à origem	Apenas [STG:...:STG] (texto visível vira imagem)

A camada base64 garante que a mensagem aceita qualquer UTF-8 (acentos, emoji, …) mesmo quando a fonte embutida não tem aqueles glifos.

extract — lê um PDF gerado por embed

python pdf_steg.py extract saida.pdf

Procura o sentinela [STG:...:STG] no texto da página, decodifica o base64, imprime o resultado.

Limitações

• O PDF de entrada precisa ter camada de texto extraível. PDFs escaneados sem OCR não têm texto pra trabalhar — passe OCR antes.
• hide exige que cada caractere essencial (alfanumérico) da mensagem exista na origem. Acentos são normalizados (á casa com a). Caracteres não-alfanuméricos (espaços, pontuação, símbolos) são best-effort: a ferramenta tenta embuti-los mas omite com aviso no stderr se o PDF não tiver ocorrência. Use --strict para falhar duro nesses casos.
• embed no modo default deixa o texto visível na camada de texto. Quem fizer Ctrl+A no PDF renderizado verá [STG:...:STG] em algum ponto do clipboard. Use --rasterize para ocultação mais forte.
• Sem criptografia. O payload é base64, não cifrado. Se você precisa de confidencialidade além de obscuridade, criptografe a mensagem antes de passar pra ferramenta.

Arquivos

• pdf_steg.py — a CLI
• make_sample.py — gera um PDF de teste pequeno
• sample.pdf / big.pdf — entradas de exemplo (depois de rodar make_sample.py)

Licença

MIT © 2026 Marcelo Duchene