给 PDF 盖黑框不是脱敏：真正删除需要哪些检查

本文使用合成样本演示处理方法。代码已通过隔离环境中的示例检查；这不代表对所有真实文件或产品效果的保证。处理重要文件前，请保留原件，并按文中的边界与验收项复核。 为什么盖了黑框还能搜到敏感词 在PDF上画一个黑色矩形遮住身份证号，保存后发给同事，对方用Ctrl+F依然能搜出完整号码。这不是软件Bug，而是PDF结构特性决定的： add_redact_annot 只是在页面内容流之上叠加了一个注释对象，原始文本、矢量路径甚至嵌入图片的像素数据都完好无损地保留在文件中。真正的脱敏必须执行 apply_redactions() ，该操作会物理移除被遮盖区域对应的内容对象，并用填充色重写页面流。缺少这一步，所有视觉遮挡都只是“自欺欺人”的图层游戏。 合成示例：正确脱敏与无效遮盖的对比 为说明问题，我们构造一个完全内存化的合成PDF样本，不依赖任何外部文件。示例包含两个场景：一是仅添加红框注释但未应用；二是完整执行添加与应用流程。 正确输出预期 ：应用脱敏后， get_text() 返回的字符串中不应再包含目标敏感词“CONFIDENTIAL-2024”；同时渲染出的Pixmap图像在该区域应为纯白色块，无残留笔画或抗锯齿边缘。 错误/边界输入处理 ：若只调用 add_redact_annot 而跳过 apply_redactions ，文本提取结果仍包含完整敏感词。这是最常见的逻辑遗漏。另一种边界情况是坐标基于旋转后的页面计算，但PyMuPDF要求所有写入操作的坐标必须相对于未旋转页面（unrotated page）。若传入旋转坐标系下的矩形，遮盖位置将发生偏移，导致敏感信息部分暴露。此时应使用 page.derotation_matrix 进行坐标转换，或在操作前调用 page.remove_rotation() 。 PyMuPDF 脱敏与双重验证代码 以下Python示例使用 PyMuPDF（fitz）库，需在锁定依赖环境中运行（如 PyMuPDF>=1.23.0 ）。代码完全在内存中构造PDF，不包含网络请求或文件读写，适合集成测试或CI流水线中的单元校验。注意：此脚本仅为逻辑演示，非生产级脱敏工具；真实文档需读者自行准备并评估合规性。 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) 上述代码中 assert 语句确保文本层清理生效。若断言失败，说明脱敏未真正执行或坐标有误。渲染验证虽未在代码中量化判断，但在人工审查或自动化视觉回归测试中不可或缺——某些字体渲染引擎可能在文本删除后仍保留字形轮廓缓存，仅靠文本提取无法发现。 验收标准与人工审查边界 代码能通过断言不代表文档已安全交付。下表列出实际验收中需关注的观察点与决策依据，区分“代码演示成功”与“端到端脱敏有效”。测试样本需由用户自行构造或经脱敏处理，禁止直接使用含真实敏感信息的生产文档： 观察现象 可能原因 处理决定 get_text() 无敏感词，但渲染图有残影 字体子集未清理或矢量路径未被覆盖 启用 images=2 和 graphics=1 参数重跑 apply_redactions 脱敏区域位置偏移 页面存在旋转，坐标未转换 使用 derotation_matrix 校正或先 remove_rotation 表格内敏感词未被完全遮盖 search_for 返回多个碎片化矩形 手动合并矩形或使用 find_tables 定位单元格区域 元数据/书签/附件中仍含敏感信息 apply_redactions 仅作用于页面内容流 额外调用 doc.set_metadata({})、清理 outline 及 embedded files 不适用范围 ：本方法不适用于扫描件PDF（无文本层）、加密文档（需先解密）、或由复杂表单字段/XFA构成的动态内容。这些情况必须先OCR或转换为静态页面，且脱敏后必须由人工逐页审查。代码演示仅验证“文本字符串消失”，不能替代对视觉完整性、上下文语义断裂、以及跨对象关联泄露的综合评估。 参考与下一步 PyMuPDF Page.apply_redactions 官方文档：https://pymupdf.readthedocs.io/en/latest/page.html#Page.apply_redactions PyMuPDF 坐标系说明：https://pymupdf.readthedocs.io/en/latest/page.html#coordinates 下一步行动：在你的测试环境中用一份含旋转页面、表格和嵌入图片的合成PDF复现上述验证流程；记录 apply_redactions 各参数组合对输出体积与渲染效果的影响；建立内部脱敏验收清单，明确哪些检查项可自动化、哪些必须人工签字。 将这份检查清单用于文档翻译 先把页面顺序、来源位置与文本完整性检查清楚，再把同一份脱敏样本交给翻译流程。译后仍要检查标题、正文和图注是否正确对应，不能只看文字是否通顺。 OmniDoc（产品入口） 提供多格式文档翻译入口，官网介绍了 OCR、术语表与双语对照功能。对希望直接从文件开始处理的团队，这是一条值得用实际样本评估的路径。请使用有权上传的脱敏文件，并用本篇的检查项复核结果；这里不声称 OmniDoc 使用了本文的开源库或内部算法，也不以示例代替产品性能测试。 - 1 -