Text aus gescannten PDFs extrahieren – Daten mit GroupDocs OCR maskieren

Schnelle Antworten

  • Was bedeutet „sensible Daten maskieren“? Es ersetzt identifizierten vertraulichen Text durch einen Platzhalter (z. B. [REDACTED]).
  • Welche Bibliothek übernimmt OCR? Microsoft Azure OCR Connector, verwendet über GroupDocs Redaction.
  • Benötige ich eine Lizenz? Eine kostenlose Testversion funktioniert für die Evaluierung; für den Produktionseinsatz ist eine permanente Lizenz erforderlich.
  • Kann ich gescannte PDFs redigieren? Ja—OCR extrahiert den versteckten Text, bevor reguläre Ausdrucks‑Redaktionen angewendet werden.
  • Ist diese Lösung nur für Java? Das Beispiel basiert auf Java, aber GroupDocs bietet ähnliche APIs für .NET und andere Plattformen.

Was ist OCR‑basierte Redaktion?

OCR‑basierte Redaktion führt zunächst OCR auf jeder Seite aus, wandelt Bilder in durchsuchbaren Text um und wendet dann Regex‑Muster an, um Treffer durch eine Maske wie [REDACTED] zu ersetzen. Dieser zweistufige Prozess ermöglicht es Ihnen, persönliche Daten selbst in gescannten PDFs zuverlässig zu verbergen und stellt sicher, dass alle sensiblen Zeichenketten entfernt werden, bevor das Dokument geteilt oder archiviert wird.

Warum GroupDocs Redaction mit Azure OCR verwenden?

Sie sollten GroupDocs Redaction mit Azure OCR verwenden, weil es >98 % OCR‑Genauigkeit bei gedrucktem Text liefert, mehr als 50 Eingabe‑ und Ausgabeformate unterstützt und mehrseitige PDFs verarbeiten kann, ohne die gesamte Datei in den Speicher zu laden, was eine schnelle, skalierbare Redaktion für Compliance gewährleistet. Die Lösung skaliert zudem, um ein 1.000‑seitiges PDF in weniger als 2 Minuten auf einem 8‑Kern‑Server zu verarbeiten, was Batch‑Jobs praktisch macht.

Voraussetzungen

  • Java Development Kit (JDK) 8+ installiert.
  • Maven (wenn Sie die Abhängigkeitsverwaltung bevorzugen) oder die Möglichkeit, JARs manuell herunterzuladen.
  • Microsoft Azure OCR credentials (Endpoint und Subscription‑Key).
  • Grundlegende Java‑Kenntnisse und Vertrautheit mit regulären Ausdrücken.

Einrichtung von GroupDocs Redaction für Java

Maven-Konfiguration

Fügen Sie das GroupDocs-Repository und die Abhängigkeit zu Ihrer pom.xml hinzu:

<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>

Direkter Download

Wenn Sie die manuelle JAR‑Verwaltung bevorzugen, holen Sie sich das neueste Release von GroupDocs.Redaction for Java releases.

Lizenzbeschaffung

  • Free Trial – alle Funktionen kostenlos testen.
  • Temporary License – Evaluationszeit verlängern.
  • Full License – Produktionsbereite Funktionen freischalten.

Grundlegende Initialisierung und Einrichtung

Die Klasse Redactor ist die Kern-Engine, die OCR‑Extraktion durchführt und Redaktionsregeln auf PDF‑Dokumente anwendet.

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());

Wie man sensible Daten mit OCR‑Redaktion maskiert

Das Maskieren sensibler Daten mit OCR‑Redaktion beinhaltet das Laden des PDFs mit Azure‑OCR‑Einstellungen, das Definieren von Regex‑Mustern für die zu verbergenden Daten und das Aufrufen des Redactors, um jeden Treffer durch einen Platzhalter wie [REDACTED] zu ersetzen. Die Bibliothek übernimmt OCR, Mustererkennung und das Neuschreiben von PDFs in einem einzigen Workflow.

Schritt 1: Dokument mit OCR‑Einstellungen laden

LoadOptions konfiguriert, wie GroupDocs eine Datei lädt, und ermöglicht das Übergeben von OCR‑Connectors wie 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 – ersetzen Sie dies durch den Pfad zu Ihrem PDF.
  • settings – enthält den Azure‑OCR‑Connector, den Sie zuvor erstellt haben.

Schritt 2: Regex‑Redaktionen definieren und anwenden

ReplacementOptions gibt den Ersatztext an, der jedes Regex‑Match während der Redaktion ersetzt.

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());
  • Das Muster \b\d{3}-\d{2}-\d{4}\b entspricht US‑Social‑Security‑Nummern.
  • ReplacementOptions("[REDACTED]") ersetzt jeden Treffer durch die Maske und maskiert damit sensible Daten.

Häufige Anwendungsfälle für das Maskieren sensibler Daten

  1. Rechtsdokumenten‑Management – verstecken Sie Kundenkennungen, bevor Entwürfe geteilt werden.
  2. Finanzberichterstattung – schützen Sie Kontonummern und Transaktions‑IDs.
  3. Gesundheitsakten – erfüllen Sie HIPAA, indem Sie Patientenkennungen redigieren.
  4. Regierungsveröffentlichungen – entfernen Sie persönliche Daten aus öffentlichen Aufzeichnungen.
  5. Unternehmensverträge – verbergen Sie proprietäre Bedingungen während externer Prüfungen.

Leistungstipps

  • Regex optimieren – vermeiden Sie zu breit gefasste Muster, die die Verarbeitungszeit erhöhen; gut gestaltete Ausdrücke können die Laufzeit um bis zu 40 % reduzieren.
  • Speichermanagement – schließen Sie die Redactor‑Instanz umgehend (try‑with‑resources erledigt dies automatisch).
  • Asynchrone Ausführung – für die Massenverarbeitung führen Sie Redaktionsjobs in separaten Threads aus oder verwenden Sie eine Aufgabenwarteschlange, um die UI reaktionsfähig zu halten.

Fehlerbehebung

  • Azure‑Anmeldeinformationen‑Fehler – überprüfen Sie die Endpoint‑URL und den Subscription‑Key in MicrosoftAzureOcrConnector erneut.
  • Dokument wird nicht geladen – überprüfen Sie den Dateipfad und stellen Sie sicher, dass das PDF nicht passwortgeschützt ist (oder geben Sie das Passwort über LoadOptions an).
  • Keine Redaktionen angewendet – testen Sie Ihr Regex zunächst mit einem einfachen String; verwenden Sie Pattern.compile in einem Unit‑Test, um Treffer zu bestätigen.

Häufig gestellte Fragen

Q: Was ist OCR‑Redaktion?
A: OCR‑Redaktion verwendet Optical Character Recognition, um versteckten Text aus Bildern oder gescannten PDFs zu extrahieren, und wendet dann Redaktionsregeln an, um diesen Text zu maskieren.

Q: Kann ich GroupDocs Redaction ohne Azure OCR verwenden?
A: Ja, aber OCR verbessert die Genauigkeit bei gescannten Dokumenten, bei denen die native Textextraktion fehlschlägt, erheblich.

Q: Wie gehe ich mit komplexen Regex‑Mustern um?
A: Erstellen und testen Sie sie schrittweise, indem Sie Java’s Pattern‑Klasse in einer Sandbox verwenden, bevor Sie sie auf große Dokumente anwenden.

Q: Was sind typische Leistungsengpässe?
A: Große PDFs, zu komplexe Regex‑Muster und synchrone OCR‑Aufrufe können die Verarbeitung verlangsamen; erwägen Sie Batch‑Verarbeitung und optimierte Muster.

Q: Steht Support für Implementierungsprobleme zur Verfügung?
A: Auf jeden Fall—wenden Sie sich über das GroupDocs‑Forum für Community‑Hilfe an uns oder kontaktieren Sie den GroupDocs‑Support.

Zusätzliche Ressourcen

Zuletzt aktualisiert: 2026-06-26
Getestet mit: GroupDocs.Redaction 24.9 (Java)
Autor: GroupDocs

Verwandte Tutorials