Extrahovat text ze skenovaného PDF – Maskovat data pomocí GroupDocs OCR

V dnešním datově řízeném světě je extrahování textu ze skenovaných PDF souborů a maskování důvěrných informací nevyjednatelným krokem v souladu s předpisy. Tento tutoriál vás provede používáním GroupDocs Redaction spolu s Microsoft Azure OCR k spolehlivému rozpoznání skrytého textu na skenovaných stránkách a jeho nahrazení bezpečným zástupcem, jako je [REDACTED]. Uvidíte, proč je tato kombinace rychlá, přesná a připravená pro produkční zátěže.

Rychlé odpovědi

  • Co znamená „maskovat citlivá data“? Nahrazuje identifikovaný důvěrný text zástupcem (např. [REDACTED]).
  • Která knihovna zpracovává OCR? Microsoft Azure OCR konektor, používaný přes GroupDocs Redaction.
  • Potřebuji licenci? Bezplatná zkušební verze funguje pro hodnocení; pro produkci je vyžadována trvalá licence.
  • Mohu redigovat skenovaná PDF? Ano — OCR extrahuje skrytý text před aplikací regexových redakcí.
  • Je toto řešení jen pro Javu? Příklad je založen na Javě, ale GroupDocs poskytuje podobná API pro .NET a další platformy.

Co je OCR‑založená redakce?

OCR‑Based Redaction nejprve spustí OCR na každé stránce, převádí obrázky na prohledávatelný text a poté aplikuje regexové vzory k nahrazení shod maskou, jako je [REDACTED]. Tento dvoustupňový proces vám umožní spolehlivě skrýt osobní data i ve skenovaných PDF, čímž zajistí, že všechny citlivé řetězce jsou odstraněny před sdílením nebo archivací dokumentu.

Proč používat GroupDocs Redaction s Azure OCR?

Měli byste používat GroupDocs Redaction s Azure OCR, protože poskytuje >98 % přesnost OCR u tištěného textu, podporuje více než 50 vstupních a výstupních formátů a dokáže zpracovat PDF s několika stovkami stránek bez načítání celého souboru do paměti, což zajišťuje rychlou, škálovatelnou redakci pro soulad s předpisy. Řešení také škáluje tak, že zpracuje 1 000‑stránkové PDF za méně než 2 minuty na 8‑jádrovém serveru, což dělá dávkové úlohy praktickými.

Požadavky

  • Java Development Kit (JDK) 8+ nainstalován.
  • Maven (pokud dáváte přednost správě závislostí) nebo možnost stáhnout JAR soubory ručně.
  • Microsoft Azure OCR přihlašovací údaje (endpoint a klíč předplatného).
  • Základní znalost Javy a povědomí o regulárních výrazech.

Nastavení GroupDocs Redaction pro Javu

Nastavení Maven

Add the GroupDocs repository and dependency to your pom.xml:

<repositories>
   <repository>
      <id>repository.groupdocs.com</id>
      <name>GroupDocs Repository</name>
      <url>https://releases.groupdocs.com/redaction/java/</url>
   </repository>
</repositories>

<dependencies>
   <dependency>
      <groupId>com.groupdocs</groupId>
      <artifactId>groupdocs-redaction</artifactId>
      <version>24.9</version>
   </dependency>
</dependencies>

Přímé stažení

Pokud dáváte přednost ruční správě JAR souborů, stáhněte nejnovější verzi z GroupDocs.Redaction for Java releases.

Získání licence

  • Free Trial – prozkoumejte všechny funkce zdarma.
  • Temporary License – prodlužte dobu hodnocení.
  • Full License – odemkněte produkčně připravené funkce.

Základní inicializace a nastavení

Třída Redactor je jádrový motor, který provádí OCR extrakci a aplikuje pravidla redakce na PDF dokumenty.

import com.groupdocs.redaction.Redactor;
import com.groupdocs.redaction.RedactorSettings;
import com.groupdocs.redaction.options.LoadOptions;
import com.groupdocs.redaction.examples.java.helper_classes.MicrosoftAzureOcrConnector;

// Initialize the OCR connector with Microsoft Azure
RedactorSettings settings = new RedactorSettings(new MicrosoftAzureOcrConnector());

Jak maskovat citlivá data pomocí OCR redakce

Maskování citlivých dat pomocí OCR redakce zahrnuje načtení PDF s nastavením Azure OCR, definování regexových vzorů pro data, která chcete skrýt, a volání Redactoru k nahrazení každé shody zástupcem jako [REDACTED]. Knihovna zpracovává OCR, shodu vzorů a přepisování PDF v jednom pracovním postupu.

Krok 1: Načíst dokument s OCR nastavením

LoadOptions konfiguruje, jak GroupDocs načítá soubor, což vám umožní předat OCR konektory jako Azure.

import com.groupdocs.redaction.Redactor;
import com.groupdocs.redaction.options.LoadOptions;

// Load your document with OCR settings
try (Redactor redactor = new Redactor("YOUR_DOCUMENT_DIRECTORY/SAMPLE_PDF_FOR_4OCR.pdf", 
    new LoadOptions(), settings)) {
    // Further operations will go here
}
  • YOUR_DOCUMENT_DIRECTORY/SAMPLE_PDF_FOR_4OCR.pdf – nahraďte cestou k vašemu PDF.
  • settings – obsahuje Azure OCR konektor, který jste vytvořili dříve.

Krok 2: Definovat a aplikovat regexové redakce

ReplacementOptions určuje náhradní text, který nahradí každou regex shodu během redakce.

import com.groupdocs.redaction.redactions.RegexRedaction;
import com.groupdocs.redaction.redactions.ReplacementOptions;

// Define the regex for sensitive data (e.g., Social Security Numbers)
RegexRedaction redaction = new RegexRedaction("\\b\\d{3}-\\d{2}-\\d{4}\\b", 
    new ReplacementOptions("[REDACTED]"));

// Apply redaction
redactor.apply(redaction);

// Save the document after redactions
redactor.save(new SaveOptions());
  • Vzor \b\d{3}-\d{2}-\d{4}\b odpovídá americkým číslům sociálního zabezpečení.
  • ReplacementOptions("[REDACTED]") vymění každou shodu za masku, čímž efektivně maskuje citlivá data.

Běžné případy použití pro maskování citlivých dat

  1. Správa právních dokumentů – skrýt identifikátory klientů před sdílením návrhů.
  2. Finanční výkaznictví – chránit čísla účtů a ID transakcí.
  3. Zdravotní záznamy – dodržet HIPAA redakcí identifikátorů pacientů.
  4. Vládní publikace – odstranit osobní data z veřejných záznamů.
  5. Firemní smlouvy – skrýt proprietární podmínky během externích revizí.

Tipy pro výkon

  • Optimalizujte regex – vyhněte se příliš širokým vzorům, které zvyšují dobu zpracování; dobře navržené výrazy mohou zkrátit dobu běhu až o 40 %.
  • Správa paměti – uzavřete instanci Redactor okamžitě (try‑with‑resources to provede automaticky).
  • Asynchronní provádění – pro hromadné zpracování spouštějte úlohy redakce na samostatných vláknech nebo použijte frontu úloh, aby UI zůstalo responzivní.

Řešení problémů

  • Chyba Azure přihlašovacích údajů – zkontrolujte URL endpointu a klíč předplatného v MicrosoftAzureOcrConnector.
  • Dokument se nenačítá – ověřte cestu k souboru a ujistěte se, že PDF není chráněno heslem (nebo poskytněte heslo pomocí LoadOptions).
  • Nebyla aplikována žádná redakce – nejprve otestujte svůj regex na jednoduchém řetězci; použijte Pattern.compile v unit testu k potvrzení shod.

Často kladené otázky

Q: Co je OCR redakce?
A: OCR redakce používá optické rozpoznávání znaků (Optical Character Recognition) k extrakci skrytého textu z obrázků nebo skenovaných PDF, poté aplikuje pravidla redakce k maskování tohoto textu.

Q: Mohu použít GroupDocs Redaction bez Azure OCR?
A: Ano, ale OCR výrazně zvyšuje přesnost u skenovaných dokumentů, kde nativní extrakce textu selhává.

Q: Jak zacházet s komplexními regexovými vzory?
A: Vytvářejte a testujte je postupně, pomocí třídy Pattern v Javě v sandboxu před aplikací na velké dokumenty.

Q: Jaké jsou typické úzké místa výkonu?
A: Velká PDF, příliš komplexní regex a synchronní OCR volání mohou zpomalit zpracování; zvažte dávkové zpracování a optimalizované vzory.

Q: Je k dispozici podpora pro implementační problémy?
A: Rozhodně — obraťte se přes GroupDocs forum na komunitní pomoc nebo kontaktujte podporu GroupDocs.

Další zdroje

Poslední aktualizace: 2026-06-26
Testováno s: GroupDocs.Redaction 24.9 (Java)
Autor: GroupDocs

Související tutoriály