脱敏方法与残留检查
简答: 安全脱敏分四步：删除文字与隐藏文字层，覆盖扫描图像的像素，用 pikepdf 从头重写文件并清除隐藏数据，再重新打开输出文件做 8 项残留检查。被删除的内容只在内存中用于比对，不写入任何报告。
处理步骤
- 文字层：删除目标区域的文字字符，以及该区域下的不可见识别文字。
- 图像：覆盖扫描图像中对应区域的像素；完全被覆盖的矢量图形被移除。
- 标记：画黑框，或带「已脱敏」标签的框。
- 重写：用 pikepdf 把文件从头重写。不保留旧的增量版本，不保留文档信息和 XMP，不保留附件、JavaScript、表单、注释、书签、结构化标签文字和缩略图；JPEG 数据流去掉 EXIF、XMP 和注释段。
残留检查
保存后重新打开输出文件，用被删除的内容逐项比对：
- 页面文字与隐藏文字层；
- 扫描图像像素（对处理过的区域重新识别）；
- 文件对象中的字符串与数据流（多种编码）；
- 文档信息与 XMP 元数据；
- 注释、表单、附件、脚本、书签；
- 图片内嵌 EXIF / XMP / 注释；
- JBIG2 共享符号字典（出现时只提醒）；
- 历史版本（增量保存）。
每项结果为通过、提醒或失败，写入保存横幅和操作记录。
识别范围
内置检测器覆盖 17 类号码，能校验的按校验位或日期校验。完整列表见安全脱敏，规则可以在证件号格式测试中试用。
已知限制
- 识别依赖 OCR。扫描质量差时号码可能识别错误，校验位不成立的不会被当作证件号；请对重要文件人工复核。
- JBIG2 压缩的黑白图像可能在多页之间共享字形，出现时会提醒。
- 内置规则不识别姓名、地址等自由文本，需要你添加自定义关键词。
- 脱敏只处理文件内容，不处理文件名和邮件正文。