PDF にブラック ボックスを追加することは感度を下げることではありません。実際に削除するにはどのようなチェックが必要ですか?
PDF に黒いフレームを追加しますが、実際にはテキストはそのまま残ります。実際に削除するには、PyMuPDF の add_redact_annot と apply_redactions を使用し、テキスト抽出とレンダリングの二重検証を使用します。同時に、座標変換、画像とベクトルの残留物、メタデータのクリーニングにも注意してください。
この記事のポイント
・PDFにブラックボックスを追加すると、コメントのみが重畳されます。元のテキストと画像はファイル内に保持されているため、検索できます。
- 真の感度解除には、カバーされた領域に対応するコンテンツ オブジェクトを物理的に削除する apply_redactions を実行する必要があります。
- 回転したページの座標は、回転していないページを基準に変換する必要があります。そうしないと、カバー位置がずれて情報が露出してしまいます。
- 感度解除の受け入れでは、テキストの抽出とレンダリングのチェックを組み合わせて、メタデータ、ブックマーク、および添付ファイル内の機密情報をクリーンアップする必要があります。
- スキャンされたドキュメント、暗号化されたドキュメント、および動的フォームはこの方法には適していないため、最初に処理してページごとに手動で確認する必要があります。
PDF 上に黒い枠が描かれている場合、覆われたテキストが文書内に残っていることがよくあります。機密コンテンツを本当に削除するには、PyMuPDF で感度を解除し、テキストの抽出とレンダリングで二重検証し、座標、画像、ベクトル、メタデータなどの残差を処理する必要があります。
この記事は、機密情報を含む PDF を扱う必要がある開発者、テスター、およびドキュメント管理者を対象に書かれています。読んだ後は、なぜブラック ボックスが非感作にならないのか、コードを使用して実際の削除を実行する方法、およびどの受け入れ項目を手動で確認する必要があるのかがわかります。
この記事では、合成サンプルを使用して処理方法を説明します。コードは隔離された環境でサンプルを使用してチェックされており、すべての実際のファイルや製品のパフォーマンスを保証するものではありません。重要な書類を処理する前に、原本を保管し、本文の境界と許容事項に従って確認してください。
PDF コーディングの感度を下げるにはどうすればよいですか?一文の結論
黒い枠を描いただけでは減感とはみなされません。 add_redact_annot を実行してから apply_redactions を実行し、テキストの抽出とレンダリングで二重に検証する必要があります。
| あなたの状況 | 推奨される実践方法 | 理由 |
|---|---|---|
| ページ上に黒い枠を描くだけです | 減感作とはみなされません | 注釈はコンテンツ フローの上にオーバーレイされ、元のテキストと画像はファイル内に残ります。 |
| テキストと画像を削除する必要がある | add_redact_annot、続いてapply_redactions() | 覆われた領域に対応するコンテンツ オブジェクトを物理的に削除します |
| ページが回転します | page.derotation_matrix を使用して座標を変換するか、最初に page.remove_rotation() を呼び出します | 書き込み操作の座標は、回転されていないページを基準とする必要があります |
| ドキュメントにはメタデータ、ブックマーク、または添付ファイルが含まれています | メタデータ、アウトライン、埋め込みファイルの追加クリーニング | apply_redactions はページ コンテンツ フローでのみ機能します |
| スキャン、暗号化されたドキュメントまたは XFA フォーム | まず OCR し、ページを復号化または静的ページに変換し、ページごとに手動で確認します。 | この方法は次のような状況には適していません |
ブラック ボックスでも機密性の高い単語を検索できるのはなぜですか?
ID 番号を覆うように PDF 上に黒い長方形を描画し、保存して同僚に送信します。相手は Ctrl+F を使用して完全な番号を検索できます。これはソフトウェアのバグではなく、PDF の構造によって決まります。
add_redact_annot は、ページ コンテンツ フローの上に注釈オブジェクトを単純に重ね合わせます。元のテキスト、ベクトル パス、さらには埋め込まれた画像のピクセル データもファイル内にそのまま保持されます。真の感度解除には、apply_redactions() を実行する必要があります。これは、マスクされた領域に対応するコンテンツ オブジェクトを物理的に削除し、ページ フローを塗りつぶしの色で書き換えます。このステップがなければ、すべての視覚的なオクルージョンはレイヤー上の表面的な効果にすぎません。
合成例: 正しい減感と効果のないマスキング
完全にメモリ内で生成され、外部ファイルに依存しない合成 PDF サンプルを構築します。この例には 2 つのシナリオが含まれています。1 つは赤いボックスのコメントを追加するだけで、適用しないシナリオです。もう 1 つは、追加および適用プロセスを完全に実行することです。
正しい出力が期待されます
感度解除を適用した後、get_text() によって返される文字列には、ターゲットの機密単語「CONFIDENTIAL-2024」が含まれなくなります。同時に、レンダリングされた Pixmap イメージは、その領域が真っ白なパッチになり、ストロークやアンチエイリアス処理されたエッジが残らないようにする必要があります。
エラーと特殊なケース
add_redact_annotのみを呼び出し、apply_redactionsをスキップします: テキスト抽出結果には依然として完全な機密単語が含まれています。これは一般的な論理省略です。- 座標は回転されたページに基づいて計算されます: PyMuPDF では、書き込み操作の座標が回転されていないページを基準とする必要があります。回転された座標系の四角形が渡されると、マスキング位置が移動し、機密情報が部分的に露出されてしまいます。この場合、
page.derotation_matrixを使用して座標を変換するか、操作の前にpage.remove_rotation()を呼び出す必要があります。
PyMuPDF の感度解除と 2 要素認証コード
次の Python の例では PyMuPDF (fitz)ライブラリを使用しており、PyMuPDF>=1.23.0 などのロックされた依存関係のある環境で実行する必要があります。このコードは PDF を完全にメモリ内で構築し、ネットワーク リクエストやファイルの読み書きを含まないため、CI パイプラインでの統合テストや単体検証に適しています。
このスクリプトはデモンストレーション ロジック専用であり、実稼働グレードの感度解除ツールではありません。本物の文書を作成するには、読者が自分で準備してコンプライアンスを評価する必要があります。
import fitz # PyMuPDF
def create_sample_pdf_with_sensitive_text():
doc = fitz.open()
page = doc.new_page()
page.insert_text((72, 72), "Public info here.", fontsize=12)
page.insert_text((72, 100), "CONFIDENTIAL-2024", fontsize=12)
return doc
def redact_and_verify(doc, target_text="CONFIDENTIAL-2024"):
page = doc[0]
rects = page.search_for(target_text)
if not rects:
raise ValueError(f"Target text '{target_text}' not found")
# 添加脱敏注释(仅标记,未删除)
for rect in rects:
page.add_redact_annot(rect, fill=(1, 1, 1)) # white fill
# 关键步骤:物理应用脱敏(images=2表示像素级擦除,graphics=1表示移除被覆盖的矢量图形)
page.apply_redactions(images=2, graphics=1)
# 验证1:文本层检查
extracted = page.get_text()
assert target_text not in extracted, "Text layer still contains sensitive data"
# 验证2:渲染层检查(可选,用于视觉确认)
pix = page.get_pixmap(dpi=144)
# 实际项目中可保存pix或比对像素值,此处仅作流程示意
return True
# 合成示例执行
sample_doc = create_sample_pdf_with_sensitive_text()
redact_and_verify(sample_doc)
コード内の assert ステートメントにより、テキスト レイヤーのクリーニングが確実に有効になります。アサーションが失敗した場合は、感度解除が実際に実行されなかったか、座標が正しくなかったことを意味します。
レンダリング検証ではコード内で定量的な判断は行われませんが、手動レビューや自動ビジュアル回帰テストでは不可欠です。一部のフォント レンダリング エンジンでは、テキストが削除された後もグリフ アウトライン キャッシュが保持される場合があり、テキスト抽出だけではそのような残留物を検出できません。
受け入れ基準と手動レビューの境界
コードがアサーションを通過したからといって、ドキュメントが安全に配信できるとは限りません。次の表は、「コードデモンストレーションが成功した」か「エンドツーエンドのデセンシゼーションが効果的か」を区別するために、実際の受け入れ時に注意が必要な現象、考えられる原因、および処理方法を示しています。
テストサンプルは自分で作成するか、減感処理する必要があります。実際の機密情報を含む本番ドキュメントを直接使用することは禁止されています。
| 現象を観察する | 考えられる理由 | 処理決定 |
|---|---|---|
get_text() にはセンシティブな単語はありませんが、レンダリングには残像があります | フォントのサブセットがクリーンアップされない、またはベクター パスが上書きされない | images=2 および graphics=1 パラメーターを有効にして apply_redactions を再実行します |
| 減感領域位置ずれ | ページは回転されますが、座標は変換されません。 | derotation_matrix 補正を使用するか、最初に remove_rotation を呼び出します |
| 表内のセンシティブな単語は完全にはカバーされていません | search_for は複数の断片化された四角形を返します | 四角形を手動で結合するか、find_tables を使用してセル範囲を配置します |
| メタデータ、ブックマーク、または添付ファイルには依然として機密情報が含まれています | apply_redactions はページ コンテンツ フローでのみ機能します | アウトラインと埋め込みファイルをクリーンアップするための追加呼び出し doc.set_metadata({}) |
### 適用できない
この方法は、次の状況には適していません。
- テキストレイヤーがないためスキャンしたPDF
- 暗号化されたドキュメントは最初に復号化する必要があります
- 複雑なフォームフィールドまたは XFA で構成される動的コンテンツ
このような場合は、最初にページを OCR するか静的ページに変換し、感度を下げた後にページごとに手動で確認する必要があります。コードのデモンストレーションは、「テキスト文字列の消失」を検証するだけであり、視覚的な完全性、文脈上の意味の破れ、およびオブジェクト間の関連付けの漏洩の包括的な評価の代わりにはなりません。
📊 コアの比較
| 練習する | テキストレイヤーがクリアされているかどうか | 追加の検査は必要ですか? | シーンに合わせて |
|---|---|---|---|
赤いボックスのコメントのみを追加します (add_redact_annot) | いいえ | 減感作の結果としては利用できません | 処理する領域をマークするためにのみ使用されます |
apply_redactionsを追加して実行します | はい、マスクされた領域内のコンテンツ オブジェクトは削除されます | レンダリングの検証と、回転、テーブル、および画像保持のチェックが必要です | ページコンテンツの感度を下げる |
| メタデータ、ブックマーク、添付ファイルを感度を解除してクリーンアップします | ページコンテンツとドキュメントレベルの情報の両方が処理されます | 洗浄範囲を手動で確認する必要がある | ドキュメント全体の配信が必要なシナリオ |
ドキュメントの翻訳にチェックリストを使用する
まずページの順序、ソースの場所、テキストの完全性を確認し、同じ感度を下げたサンプルを翻訳プロセスに送信します。翻訳後も、翻訳がスムーズかどうかだけでなく、タイトル、本文、イラストが正しく対応しているかどうかを確認する必要があります。
OmniDocはマルチフォーマット文書翻訳ポータルを提供しており、公式 Web サイトでは OCR、用語集、対訳比較機能を導入しています。ファイルから直接処理を開始したい場合は、実際のサンプルを使用してこのパスを評価できます。この記事のチェックリストを使用して結果を処理および確認する権限がある編集済みファイルのみをアップロードしてください。この記事では、OmniDoc が記事内でオープン ソース ライブラリや内部アルゴリズムを使用しているとは主張しません。また、製品のパフォーマンス テストに代わる例を使用することもありません。
🎯 どの方法があなたに適していますか?
テキストを隠すだけでなく削除する必要がある場合
add_redact_annot に続いて apply_redactions を実行し、テキストの抽出とレンダリングで二重検証します。
ページが回転している場合
まず derotation_matrix を使用して座標を変換するか、remove_rotation() を呼び出してから、カバーされる領域を計算します。
文書に表や埋め込み画像が含まれている場合
検索結果が断片化されているかどうかを確認し、images=2 パラメーターと graphics=1 パラメーターを有効にして再実行します。
ドキュメントにメタデータ、ブックマーク、または添付ファイルがある場合
ページの感度を解除した後、さらにメタデータ、アウトライン、埋め込みファイルをクリーンアップします。
スキャンされたファイルまたは暗号化されたファイルの場合
まず OCR または復号化を完了し、処理可能な静的ページに変換してから、感度を下げてページごとの手動レビューを調整します。
参照と次のステップ
次に、回転したページ、表、埋め込み画像を含む合成 PDF を使用して、テスト環境で上記の検証プロセスを複製できます。 apply_redactions の各パラメータの組み合わせが出力ボリュームとレンダリング効果に及ぼす影響を記録し、内部の減感受容リストを作成して、どの検査項目が自動化でき、どの項目に手動で署名する必要があるかを明確にします。
❓ よくある質問 (FAQ)
1. 黒フレームを描画するだけでは減感とみなされないのはなぜですか?
add_redact_annot はコンテンツ ストリームの上に注釈をオーバーレイするだけであるため、元のテキストと画像はファイル内に残り、対応するコンテンツを物理的に削除するには apply_redactions() を実行する必要があります。
2. テキスト抽出で機密用語が見つからない場合、安全ですか?
不確かな。一部のフォント レンダリング エンジンはグリフ アウトラインのキャッシュを保持する場合があるため、レンダリング イメージの検証も必要であり、手動によるレビューも必要です。
3. アサーションを渡した後、コードを直接配信できますか?
できません。アサーションは、テキスト レイヤーのクリーニングが有効かどうかのみを検証します。ドキュメントでは、視覚的な残差、座標オフセット、メタデータ、添付ファイル、その他の残差もチェックする必要があります。
4. この方法を使用して、スキャンされた PDF の感度を下げることができますか?
直接使用することはできません。スキャンにはテキスト レイヤーがないため、最初に OCR するか静的ページに変換し、感度を下げた後にページごとに手動で確認する必要があります。
📝 概要
PDF の感度を下げる鍵は、レイヤーを上書きするのではなく、コンテンツを削除することです。 apply_redactions を実行し、テキストとレンダリングで二重検証し、座標、メタデータ、添付ファイルをチェックして、機密情報が残るリスクを軽減します。


