Extraire le texte d’un PDF numérisé – Masquer les données avec GroupDocs OCR

Dans le monde actuel axé sur les données, extraire du texte à partir de fichiers PDF numérisés et masquer les informations confidentielles est une étape de conformité incontournable. Ce tutoriel vous guide dans l’utilisation de GroupDocs Redaction conjointement avec Microsoft Azure OCR pour reconnaître de manière fiable le texte caché sur les pages numérisées et le remplacer par un espace réservé sûr tel que [REDACTED]. Vous verrez pourquoi cette combinaison est rapide, précise et prête pour des charges de travail de niveau production.

Réponses rapides

  • Que signifie « masquer les données sensibles » ? Il remplace le texte confidentiel identifié par un espace réservé (par ex. [REDACTED]).
  • Quelle bibliothèque gère l’OCR ? Connecteur Microsoft Azure OCR, utilisé via GroupDocs Redaction.
  • Ai-je besoin d’une licence ? Un essai gratuit fonctionne pour l’évaluation ; une licence permanente est requise pour la production.
  • Puis-je masquer les PDF numérisés ? Oui—l’OCR extrait le texte caché avant d’appliquer les masques regex.
  • Cette solution est‑elle uniquement Java ? L’exemple est basé sur Java, mais GroupDocs fournit des API similaires pour .NET et d’autres plateformes.

Qu’est-ce que le masquage basé sur l’OCR ?

Le masquage basé sur l’OCR exécute d’abord l’OCR sur chaque page, transformant les images en texte interrogeable, puis applique des modèles regex pour remplacer les correspondances par un masque tel que [REDACTED]. Ce processus en deux étapes vous permet de masquer de manière fiable les données personnelles même dans les PDF numérisés, garantissant que toutes les chaînes sensibles sont supprimées avant le partage ou l’archivage du document.

Pourquoi utiliser GroupDocs Redaction avec Azure OCR ?

Vous devez utiliser GroupDocs Redaction avec Azure OCR car il offre une précision OCR >98 % sur le texte imprimé, prend en charge plus de 50 formats d’entrée et de sortie, et peut traiter des PDF de plusieurs centaines de pages sans charger le fichier complet en mémoire, assurant un masquage rapide et évolutif pour la conformité. La solution peut également traiter un PDF de 1 000 pages en moins de 2 minutes sur un serveur à 8 cœurs, rendant les travaux par lots pratiques.

Prérequis

  • Java Development Kit (JDK) 8+ installé.
  • Maven (si vous préférez la gestion des dépendances) ou la capacité de télécharger les JARs manuellement.
  • Identifiants Microsoft Azure OCR (point de terminaison et clé d’abonnement).
  • Connaissances de base en Java et familiarité avec les expressions régulières.

Configuration de GroupDocs Redaction pour Java

Configuration Maven

Ajoutez le dépôt GroupDocs et la dépendance à votre 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>

Téléchargement direct

Si vous préférez la gestion manuelle des JARs, récupérez la dernière version depuis GroupDocs.Redaction for Java releases.

Acquisition de licence

  • Essai gratuit – explorez toutes les fonctionnalités sans frais.
  • Licence temporaire – prolongez la période d’évaluation.
  • Licence complète – débloquez les capacités prêtes pour la production.

Initialisation et configuration de base

La classe Redactor est le moteur principal qui effectue l’extraction OCR et applique les règles de masquage aux documents PDF.

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());

Comment masquer les données sensibles avec le masquage OCR

Masquer les données sensibles avec le masquage OCR implique de charger le PDF avec les paramètres Azure OCR, de définir des modèles regex pour les données que vous souhaitez cacher, et d’invoquer le Redactor pour remplacer chaque correspondance par un espace réservé tel que [REDACTED]. La bibliothèque gère l’OCR, la correspondance de motifs et la réécriture du PDF en un seul flux de travail.

Étape 1 : Charger le document avec les paramètres OCR

LoadOptions configure la façon dont GroupDocs charge un fichier, vous permettant de passer des connecteurs OCR comme 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 – remplacez par le chemin de votre PDF.
  • settings – contient le connecteur Azure OCR que vous avez créé précédemment.

Étape 2 : Définir et appliquer les masques regex

ReplacementOptions spécifie le texte de remplacement qui substituera chaque correspondance regex lors du masquage.

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());
  • Le motif \b\d{3}-\d{2}-\d{4}\b correspond aux numéros de sécurité sociale américains.
  • ReplacementOptions("[REDACTED]") remplace chaque correspondance par le masque, masquant ainsi efficacement les données sensibles.

Cas d’utilisation courants pour masquer les données sensibles

  1. Gestion de documents juridiques – masquer les identifiants des clients avant de partager les brouillons.
  2. Rapports financiers – protéger les numéros de compte et les identifiants de transaction.
  3. Dossiers de santé – se conformer à la HIPAA en masquant les identifiants des patients.
  4. Publications gouvernementales – supprimer les données personnelles des dossiers publics.
  5. Contrats d’entreprise – dissimuler les clauses propriétaires lors des revues externes.

Conseils de performance

  • Optimiser les regex – éviter les motifs trop larges qui augmentent le temps de traitement ; des expressions bien conçues peuvent réduire le temps d’exécution jusqu’à 40 %.
  • Gestion de la mémoire – fermez rapidement l’instance Redactor (try‑with‑resources le fait automatiquement).
  • Exécution asynchrone – pour le traitement en masse, exécutez les tâches de masquage sur des threads séparés ou utilisez une file d’attente de tâches pour garder l’interface réactive.

Dépannage

  • Erreur d’identifiants Azure – revérifiez l’URL du point de terminaison et la clé d’abonnement dans MicrosoftAzureOcrConnector.
  • Document ne se charge pas – vérifiez le chemin du fichier et assurez-vous que le PDF n’est pas protégé par mot de passe (ou fournissez le mot de passe via LoadOptions).
  • Aucun masquage appliqué – testez votre regex avec une chaîne simple d’abord ; utilisez Pattern.compile dans un test unitaire pour confirmer les correspondances.

Questions fréquemment posées

Q : Qu’est-ce que le masquage OCR ?
R : Le masquage OCR utilise la reconnaissance optique de caractères pour extraire le texte caché des images ou des PDF numérisés, puis applique des règles de masquage pour masquer ce texte.

Q : Puis-je utiliser GroupDocs Redaction sans Azure OCR ?
R : Oui, mais l’OCR améliore considérablement la précision sur les documents numérisés où l’extraction de texte native échoue.

Q : Comment gérer des motifs regex complexes ?
R : Construisez‑les et testez‑les progressivement, en utilisant la classe Pattern de Java dans un bac à sable avant de les appliquer à de gros documents.

Q : Quels sont les goulets d’étranglement de performance typiques ?
R : Les PDF volumineux, les regex trop complexes et les appels OCR synchrones peuvent ralentir le traitement ; envisagez le traitement par lots et des motifs optimisés.

Q : Le support est‑il disponible pour les problèmes d’implémentation ?
R : Absolument — contactez le forum GroupDocs pour obtenir de l’aide de la communauté ou contactez le support GroupDocs.

Ressources supplémentaires

Dernière mise à jour : 2026-06-26
Testé avec : GroupDocs.Redaction 24.9 (Java)
Auteur : GroupDocs

Tutoriels associés