davidjacobson/safetextScript para eliminar homoglifos y caracteres de ancho cero que permite la distribución segura de documentos de fuentes anónimas.
Herramienta para sanear texto y permitir la distribución segura de documentos de fuentes anónimas eliminando caracteres de ancho cero y homoglifos.
Las personas que intentan filtrar un correo electrónico u otro archivo de texto corren el riesgo de ser identificadas mediante la toma de huellas digitales. La toma de huellas digitales ocurre a menudo cuando el distribuidor original del documento ha incrustado algún tipo de canario. Por ejemplo, el correo electrónico de Elon Musk en 2008 en respuesta a filtraciones presentaba una redacción ligeramente diferente para cada empleado. Esta táctica fue descubierta por los empleados y fracasó. Una táctica más sencilla que también se emplea es la presencia de cambios casi invisibles en el texto. SafeText está diseñado para identificar y eliminar estos cambios. Específicamente, esta herramienta eliminará homoglifos, caracteres de ancho cero y otros caracteres sutiles. Esta herramienta también intentará identificar la ortografía única de palabras que podría delatar la ubicación de un individuo.
Para usar SafeText, ejecuta:
python safetext.py inputfile
Un ejemplo de salida es:
λ python safetext.py TestFile.txt
[*] Cleaning TestFile.txt to TestFile.txt.safe ...
[!] FOUND HOMOGLYPHIC CHARACTER CYRILLIC_large_H ON LINE 1
The message said: "(Н)ey, let's hang out!"
[!] FOUND a SPACE ON LINE # 2
Lorem*Ipsum*Dolor*Sit
[!] WARNING - Use of spelling (colour) that identifies country on line 3
[!] FOUND HOMOGLYPHIC CHARACTER GREEK_B ON LINE 5
[!] FOUND HOMOGLYPHIC CHARACTER GREEK_C ON LINE 5
Subject: (Β)udget (Ϲ)uts
[*] Output file closed
Nota: Los caracteres relevantes aparecerán subrayados, no entre paréntesis. SafeText generará la salida en infile.safe.