Escanea PDFs, capturas de pantalla y documentos escaneados para detectar PII y credenciales mediante capas de texto y OCR antes de que se envíen a un LLM.
También conocido como GuardBee/guardbee-mcp, @guardbee/mcp-document-scanner
- Stars
- 2
- Herramientas
- 3
- Descargas, 30 días
- 3086
- Última versión
- 0.4.1
- Último commit
- 12 nov 2026
- Licencia
- MIT
¿Qué es document-scanner MCP?
document-scanner es un MCP server. Escanea PDFs, capturas de pantalla y documentos escaneados para detectar PII y credenciales mediante capas de texto y OCR antes de que se envíen a un LLM. Expone 3 herramientas, como scan_document, scan_base64, list_detectors.
Resumen generado a partir del README del proyecto
Acerca del MCP server de document-scanner
La función principal de esta herramienta es proteger la información sensible para evitar que se envíe a modelos de lenguaje extensos. Escanea PDFs, capturas de pantalla y varios formatos de imagen para identificar datos personales y credenciales antes de que lleguen a un cliente de IA. Al analizar las capas de texto y utilizar OCR para páginas o imágenes escaneadas, detecta patrones específicos como IBAN, números de pasaporte, correos electrónicos y números de teléfono.
Los desarrolladores pueden integrar este MCP server en su configuración local de MCP usando npx o instalarlo vía npm. Es compatible con inglés y turco a través de tesseract.js y utiliza @napi-rs/canvas para el renderizado. El sistema identifica los tipos de archivo directamente desde los bytes en lugar de depender de los nombres de archivo o tipos MIME. Incluye detectores específicos para identificadores turcos como TC Kimlik No y MERSİS, además de los formatos de credenciales estándar. Los usuarios pueden configurar límites como un tamaño de archivo de 25 MB o un máximo de 50 páginas por documento para gestionar la carga de procesamiento.
Qué puedes hacer con él
- 1Auditoría automatizada de seguridad de documentosEjecuta un escaneo por línea de comandos en un directorio de archivos para generar un informe SARIF para GitHub Code Scanning.
- 2Detección de identificadores específicos de TurquíaIdentifica datos sensibles de Turquía como números VKN o MERSİS dentro de documentos escaneados.
Escrito a partir del README del proyecto. Cada caso de uso se verifica con una cita del mismo.
Cómo instalar document-scanner MCP
Formatos verificados el 10 nov 2026Añadir a CursorAñadir a GooseInstalar document-scanner MCP en Claude Code
$ claude mcp add document-scanner -- npx -y @guardbee/mcp-document-scannerInstalar document-scanner MCP en Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"document-scanner": {
"command": "npx",
"args": [
"-y",
"@guardbee/mcp-document-scanner"
]
}
}
}Instalar document-scanner MCP en VS Code
.vscode/mcp.json
{
"servers": {
"document-scanner": {
"type": "stdio",
"command": "npx",
"args": [
"-y",
"@guardbee/mcp-document-scanner"
]
}
}
}Instalar document-scanner MCP en VS Code CLI
$ code --add-mcp '{"name":"document-scanner","type":"stdio","command":"npx","args":["-y","@guardbee/mcp-document-scanner"]}'Instalar document-scanner MCP en Claude Desktop
claude_desktop_config.json
{
"mcpServers": {
"document-scanner": {
"command": "npx",
"args": [
"-y",
"@guardbee/mcp-document-scanner"
]
}
}
}Instalar document-scanner MCP en Codex
$ codex mcp add document-scanner -- npx -y @guardbee/mcp-document-scannerInstalar document-scanner MCP en Codex config.toml
~/.codex/config.toml
[mcp_servers.document-scanner] command = "npx" args = ["-y", "@guardbee/mcp-document-scanner"]
Instalar document-scanner MCP en Gemini CLI
$ gemini mcp add -s user document-scanner npx -- -y @guardbee/mcp-document-scannerInstalar document-scanner MCP en Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"document-scanner": {
"command": "npx",
"args": [
"-y",
"@guardbee/mcp-document-scanner"
]
}
}
}Herramientas de document-scanner MCP 3
Detectado desde el READMEscan_documentscan_base64list_detectors
| scan_document | — | |
| scan_base64 | — | |
| list_detectors | — |
Verificaciones automáticas
Ejecutado 13 nov 2026Informe completo →Pasó nuestras verificaciones automáticas. Esto no es una auditoría de seguridad: lee el código y dale al servidor el acceso más limitado que necesite. Cómo funcionan las verificaciones
- Repositorio de origen vinculado y accesibleAprobado
- Licencia de código abierto (OSI)Aprobado
- Commit o lanzamiento en el último añoAprobado
- El nombre del paquete no es similar a un paquete popularAprobado
- El endpoint remoto usa HTTPSNo verificado
- Las herramientas destructivas están etiquetadasAprobado
- Sin instrucciones ocultas para el modeloAprobado
- No hay avisos críticos en el paquete ni en sus dependenciasAprobado
README
Ver en GitHub@guardbee/mcp-document-scanner
🇬🇧 English | 🇹🇷 Türkçe
An MCP server and CLI that finds personal data and credentials inside documents — PDFs, screenshots, scanned pages — before they are handed to an LLM. Text checks in a proxy or a DLP see a PDF attachment or an image as an opaque blob; this package reads it: the PDF text layer first, and OCR (Turkish and English) for images and for PDF pages that have no text.
Telemetry is off by default. With
GUARDBEE_TELEMETRY=1it sends the server, tool, success, duration and short parameter values such as a file path; longer strings and fields likecontent,tokenorpasswordare replaced with a placeholder. See@guardbee/mcp-telemetry.
document ──► type from the bytes (PDF, PNG, JPEG, GIF, WebP, BMP, TIFF, text)
│
├─ PDF page with a text layer ──► text
├─ PDF page without one ─────► render (@napi-rs/canvas) ──► OCR (tesseract.js)
└─ image ─────────────────────► OCR (tesseract.js)
│
guard-core detectors ◄──────┘ TC Kimlik No, VKN, IBAN, card (checksums),
passport, SGK, MERSİS, birth date, address,
e-mail, KEP, phone, 22+ credential formats
Install
npx -y @guardbee/mcp-document-scanner scan ./contracts # text layers only
npm i -g @guardbee/mcp-document-scanner tesseract.js @napi-rs/canvas # with OCR
OCR is optional: tesseract.js reads images, and @napi-rs/canvas (prebuilt, no compiler needed) renders scanned PDF pages for it. Without them the scanner still reads every PDF text layer and says which pages or images it could not read. Tesseract downloads the tur and eng language data (~10 MB) on first use into ~/.cache/guardbee/tessdata (or $XDG_CACHE_HOME/guardbee/tessdata) — never into your working directory. Offline: put <lang>.traineddata in a folder and pass --lang-path.
MCP tools
| Tool | What it does |
|---|---|
scan_document |
Scan a file, or every PDF and image in a folder |
scan_base64 |
Scan bytes given as base64 (an attachment, an image a tool returned); the type comes from the bytes |
list_detectors |
The personal-data and credential detectors that run |
{ "mcpServers": { "documents": { "command": "npx", "args": ["-y", "@guardbee/mcp-document-scanner"] } } }
CLI
guardbee-document-scanner scan <file|folder> [--format=text|json|sarif] [--fail-on=any|critical|high|medium|low|none]
[--no-ocr] [--lang=tur,eng] [--lang-path=<dir>] [--cache-path=<dir>] [--include=ip_address,plate_tr]
[--max-pages=50] [--max-files=500] [--text]
⚠️ Found 3 item(s) in 1 document(s) (812ms)
Critical: 0 High: 2 Medium: 1 Low: 0
contracts/acme.pdf (pdf, 2 page(s) read)
[HIGH] tc_kimlik (personal) — page 1, pdf-text: 10*******46
[HIGH] iban (personal) — page 2, pdf-ocr: TR************26
[MEDIUM] email (personal) — page 2, pdf-ocr: al***********om
Findings show only the first and last characters. --format=sarif gives SARIF 2.1.0 with the page as the line, for GitHub Code Scanning. Exit code 1 when something at or above --fail-on was found.
In the security proxy
@guardbee/mcp-security-proxy uses this package for interceptors.documents: images and embedded PDFs in tool results and resource blobs are scanned before the model sees them, and a document holding personal data or a credential is withheld (block) or logged (warn).
interceptors:
documents: { enabled: true, action: block, ocr: true, maxBytes: 26214400 }
Limits
- The type is taken from the bytes, never from a file name or a MIME type.
- 25 MB and 50 pages per document by default (
maxBytes,--max-pages). - OCR quality depends on the scan; a blurry photo can miss a digit and so fail a checksum — such a value is not reported, which errs towards silence rather than false alarms.
- Names, signatures and handwriting are not detected.
License
MIT
Feedback
Questions, ideas, or a false positive? Start a thread in GitHub Discussions or open an issue. If GuardBee is useful to you, a ⭐ on the repository helps others find it.
Preguntas sobre document-scanner MCP
¿Cómo agrego document-scanner MCP a Claude Code?
Ejecuta claude mcp add document-scanner -- npx -y @guardbee/mcp-document-scanner en tu terminal. Añade --scope user para que esté disponible en todos los proyectos.
¿Cómo agrego document-scanner MCP a Cursor?
Abre ~/.cursor/mcp.json y añade el servidor en mcpServers, usando la configuración de Cursor que se muestra en la sección de instalación de arriba.
¿Qué herramientas proporciona document-scanner MCP?
Expone 3 herramientas, incluidas scan_document, scan_base64, list_detectors.
¿Qué tipos de archivos se pueden escanear?
El escáner es compatible con archivos PDF, PNG, JPEG, GIF, WebP, BMP, TIFF y archivos de texto.
¿Requiere el escáner OCR para funcionar?
No, el OCR es opcional. Sin él, el escáner lee la capa de texto del PDF, pero informará sobre las páginas o imágenes que no pudo leer.
¿Qué tipo de información sensible puede detectar?
Detecta diversos datos personales y credenciales, incluyendo IBAN, números de pasaporte, direcciones de correo electrónico, números de teléfono y más.
¿Existen limitaciones en el tamaño o la longitud de los archivos?
Por defecto, el escáner está limitado a 25 MB y 50 páginas por documento.