🔒 Lethe.TXT

Anonimizador de Documentos - Proteja dados sensíveis em seus arquivos de forma simples e reversível.

O Lethe.TXT detecta e substitui automaticamente:

• 👤 Nomes de pessoas (usando NLP com spaCy)
• 📋 CPFs (com validação de dígitos verificadores)
• 🪪 RGs (com validação de formato)
• 📅 Datas de nascimento (substituídas por datas que garantem 18+ anos)

📋 Requisitos

• Python 3.12+
• UV (gerenciador de pacotes recomendado)

Dependências do Sistema (para arquivos .doc)

Para processar arquivos .doc antigos, você pode precisar instalar:

macOS:

brew install antiword

Ubuntu/Debian:

sudo apt-get install antiword

🚀 Instalação

1. Clone ou baixe o projeto

cd LetheTXT

2. Crie o ambiente virtual

uv venv .venv

3. Ative o ambiente virtual

macOS/Linux:

source .venv/bin/activate

Windows:

.venv\Scripts\activate.bat

4. Instale as dependências

uv pip install -r requirements.txt

Guia rápido no Windows

No Prompt de Comando ou PowerShell:

cd LetheTXT
uv venv .venv
.venv\Scripts\activate.bat
uv pip install -r requirements.txt
run_streamlit.bat

Se preferir executar manualmente, ative o ambiente com .venv\Scripts\activate.bat e rode streamlit run app.py.

💻 Uso

Interface Web (Streamlit)

A forma mais simples de usar o Lethe.TXT:

macOS/Linux:

./run_streamlit.sh

Windows:

run_streamlit.bat

Ou manualmente:

source .venv/bin/activate  # ou .venv\Scripts\activate.bat no Windows
streamlit run app.py

A interface será aberta automaticamente no navegador em http://localhost:8501.

Interface CLI (Linha de Comando)

Para automação ou uso em scripts:

Anonimizar um documento

python cli.py anonymize documento.docx -p "minha_senha_secreta"

Opções:

• -o, --output: Arquivo de saída (padrão: <nome>_anonimizado.txt)
• -m, --mapping: Arquivo de mapeamento (padrão: <nome>_mapping.lethe)
• -s, --seed: Seed para resultados reproduzíveis
• --show-mapping: Exibir substituições realizadas

Reverter anonimização

python cli.py reverse documento_anonimizado.txt documento_mapping.lethe -p "minha_senha_secreta"

Opções:

• -o, --output: Arquivo de saída (padrão: <nome>_restaurado.txt)

Ver informações

python cli.py info

📁 Formatos Suportados

Formato	Extensão	Biblioteca
Texto simples	.txt	Nativo
Word (novo)	.docx	python-docx
Word (antigo)	.doc	textract (requer antiword)
PDF	.pdf	pypdf

🔐 Segurança

O mapeamento de substituições (que permite reverter a anonimização) é criptografado usando:

• Algoritmo: Fernet (AES-128-CBC + HMAC)
• Derivação de chave: PBKDF2 com SHA-256 (480.000 iterações)
• Salt: 16 bytes aleatórios por arquivo

⚠️ Importante: Guarde a senha e o arquivo .lethe em local seguro. Sem eles, não é possível reverter a anonimização.

📊 Exemplo de Uso

Texto Original

João da Silva, CPF 123.456.789-09, nascido em 15/03/1990, 
compareceu à audiência representado por Maria Santos.

Texto Anonimizado

Pedro Oliveira, CPF 987.654.321-00, nascido em 22/07/1985, 
compareceu à audiência representado por Ana Costa.

🛠️ Estrutura do Projeto

LetheTXT/
├── app.py                 # Interface Streamlit
├── cli.py                 # Interface CLI (Typer)
├── core/
│   ├── __init__.py
│   ├── anonymizer.py      # Lógica de anonimização
│   ├── crypto.py          # Criptografia do mapeamento
│   ├── document_parser.py # Extração de texto
│   ├── entity_detector.py # Detecção de entidades (spaCy)
│   └── validators.py      # Validação de CPF/RG
├── benchmark_parsers.py   # Benchmark de bibliotecas
├── requirements.txt
├── run_streamlit.sh       # Script de execução (Unix)
├── run_streamlit.bat      # Script de execução (Windows)
└── README.md

🧪 Executar Benchmark

Para testar a performance das bibliotecas de parsing:

python benchmark_parsers.py

📝 Notas

• O modelo spaCy pt_core_news_lg é baixado automaticamente com as dependências
• Para arquivos muito grandes, considere usar a CLI para melhor performance
• A detecção de nomes depende do contexto - nomes isolados podem não ser detectados

👤 Autor

Matheus C. Pestana / GENI-UFF

📄 Licença

Este projeto é de código aberto. Use com responsabilidade.