Szkennelt PDF szövegének kinyerése – Adatok maszkolása a GroupDocs OCR-rel

A mai adatközpontú világban a szkennelt PDF‑ből szöveg kinyerése és a bizalmas információk maszkolása elengedhetetlen megfelelőségi lépés. Ez az útmutató bemutatja, hogyan használhatja a GroupDocs Redaction‑t a Microsoft Azure OCR-rel, hogy megbízhatóan felismerje a szkennelt oldalak rejtett szövegét, és egy biztonságos helyettesítővel, például [REDACTED] cserélje le. Meg fogja látni, miért gyors, pontos, és készen áll a termelési szintű munkaterhelésekre.

Gyors válaszok

  • Mi jelent a „érzékeny adatok maszkolása”? A felismert bizalmas szöveget egy helyettesítővel cseréli (pl. [REDACTED]).
  • Melyik könyvtár kezeli az OCR‑t? Microsoft Azure OCR csatlakozó, a GroupDocs Redaction‑ön keresztül használva.
  • Szükségem van licencre? Egy ingyenes próba a kiértékeléshez működik; a termeléshez állandó licenc szükséges.
  • Lehet szkennelt PDF‑eket redigálni? Igen—az OCR kinyeri a rejtett szöveget, mielőtt a regex‑alapú redigálás alkalmazásra kerül.
  • Ez a megoldás csak Java‑ra korlátozódik? A példa Java‑alapú, de a GroupDocs hasonló API‑kat kínál .NET‑hez és más platformokhoz is.

Mi az OCR‑alapú redigálás?

Az OCR‑alapú redigálás először OCR‑t futtat minden oldalon, a képeket kereshető szöveggé alakítja, majd regex‑mintákat alkalmaz a találatok helyettesítésére egy, például [REDACTED] maszkkal. Ez a kétszakaszos folyamat lehetővé teszi, hogy megbízhatóan elrejtse a személyes adatokat még szkennelt PDF‑ekben is, biztosítva, hogy minden érzékeny karakterlánc eltávolításra kerüljön a dokumentum megosztása vagy archiválása előtt.

Miért használja a GroupDocs Redaction‑t az Azure OCR-rel?

A GroupDocs Redaction‑t Azure OCR-rel érdemes használni, mert >98 % OCR pontosságot biztosít nyomtatott szövegre, támogat 50+ bemeneti és kimeneti formátumot, és képes több száz oldalas PDF‑eket feldolgozni anélkül, hogy a teljes fájlt a memóriába töltené, ezáltal gyors, skálázható redigálást biztosít a megfelelőséghez. A megoldás továbbá képes egy 1 000 oldalas PDF‑et 2 percen belül feldolgozni egy 8‑magos szerveren, így a kötegelt feladatok is gyakorlatiasak.

Előfeltételek

  • Java Development Kit (JDK) 8+ telepítve.
  • Maven (ha a függőségkezelést részesíti előnyben) vagy a JAR‑ok kézi letöltésének lehetősége.
  • Microsoft Azure OCR hitelesítő adatok (végpont és előfizetési kulcs).
  • Alapvető Java ismeretek és a reguláris kifejezésekkel való jártaság.

A GroupDocs Redaction beállítása Java‑hoz

Maven beállítás

Adja hozzá a GroupDocs tárolót és függőséget a pom.xml fájlhoz:

<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>

Közvetlen letöltés

Ha a JAR‑ok kézi kezelését részesíti előnyben, töltse le a legújabb kiadást a GroupDocs.Redaction for Java releases-ról.

Licenc beszerzése

  • Free Trial – minden funkció kipróbálása költség nélkül.
  • Temporary License – a kiértékelési idő meghosszabbítása.
  • Full License – a termelésre kész képességek feloldása.

Alapvető inicializálás és beállítás

A Redactor osztály a központi motor, amely OCR‑kivonást végez és redigálási szabályokat alkalmaz PDF dokumentumokra.

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());

Hogyan maszkoljuk az érzékeny adatokat OCR redigálással

Az érzékeny adatok OCR redigálással történő maszkolása magában foglalja a PDF betöltését Azure OCR beállításokkal, a rejtendő adatok regex‑mintáinak meghatározását, és a Redactor meghívását, hogy minden egyezést egy, például [REDACTED] helyettesítővel cseréljen. A könyvtár egyetlen munkafolyamatban kezeli az OCR‑t, a minták egyezését és a PDF újraírását.

1. lépés: Dokumentum betöltése OCR beállításokkal

LoadOptions konfigurálja, hogyan tölti be a GroupDocs a fájlt, lehetővé téve OCR csatlakozók, például az Azure átadását.

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 – cserélje le a PDF elérési útjára.
  • settings – tartalmazza a korábban létrehozott Azure OCR csatlakozót.

2. lépés: Regex redigálások meghatározása és alkalmazása

ReplacementOptions határozza meg a helyettesítő szöveget, amely a redigálás során minden regex egyezést lecserél.

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());
  • A \b\d{3}-\d{2}-\d{4}\b minta az USA társadalombiztosítási számokat (Social Security Numbers) egyezteti.
  • ReplacementOptions("[REDACTED]") minden egyezést a maszkkal cserél, hatékonyan maszkolva az érzékeny adatokat.

Gyakori felhasználási esetek az érzékeny adatok maszkolására

  1. Jogi dokumentumkezelés – ügyfélazonosítók elrejtése a vázlatok megosztása előtt.
  2. Pénzügyi jelentés – számlaszámok és tranzakcióazonosítók védelme.
  3. Egészségügyi nyilvántartások – HIPAA megfelelés érdekében a betegazonosítók redigálása.
  4. Kormányzati kiadványok – személyes adatok eltávolítása a nyilvános nyilvántartásokból.
  5. Vállalati szerződések – a tulajdonosi feltételek elrejtése külső felülvizsgálatok során.

Teljesítmény tippek

  • Regex optimalizálása – kerülje a túl általános mintákat, amelyek növelik a feldolgozási időt; a jól megtervezett kifejezések akár 40 %-kal is csökkenthetik a futási időt.
  • Memória kezelés – zárja le a Redactor példányt gyorsan (a try‑with‑resources ezt automatikusan megteszi).
  • Aszinkron végrehajtás – kötegelt feldolgozás esetén futtassa a redigálási feladatokat külön szálakon vagy használjon feladatlistát a UI válaszkészségének fenntartásához.

Hibaelhárítás

  • Azure hitelesítő hiba – ellenőrizze újra a végpont URL‑t és az előfizetési kulcsot a MicrosoftAzureOcrConnector‑ban.
  • Dokumentum nem töltődik be – ellenőrizze a fájl útvonalát, és győződjön meg róla, hogy a PDF nincs jelszóval védve (vagy adja meg a jelszót a LoadOptions‑on keresztül).
  • Nincs alkalmazott redigálás – először tesztelje a regex‑et egyszerű karakterlánccal; használja a Pattern.compile‑t egységtesztben a találatok megerősítéséhez.

Gyakran feltett kérdések

Q: Mi az OCR redigálás?
A: Az OCR redigálás az Optikai Karakterfelismerést (Optical Character Recognition) használja a képek vagy szkennelt PDF‑ek rejtett szövegének kinyerésére, majd redigálási szabályokat alkalmaz a szöveg maszkolására.

Q: Használhatom a GroupDocs Redaction‑t Azure OCR nélkül?
A: Igen, de az OCR jelentősen javítja a pontosságot szkennelt dokumentumok esetén, ahol a natív szövegkinyerés nem működik.

Q: Hogyan kezelem a komplex regex mintákat?
A: Építse és tesztelje őket fokozatosan, a Java Pattern osztályt egy sandbox környezetben használva, mielőtt nagy dokumentumokra alkalmazná.

Q: Mik a tipikus teljesítménybeli szűk keresztmetszetek?
A: Nagy PDF‑ek, túl komplex regex‑ek és szinkron OCR hívások lassíthatják a feldolgozást; fontolja meg a kötegelt feldolgozást és optimalizált mintákat.

Q: Elérhető támogatás a megvalósítási problémákhoz?
A: Teljes mértékben—lépjen kapcsolatba a GroupDocs fórumon közösségi segítségért vagy vegye fel a kapcsolatot a GroupDocs támogatással.

További források

Utoljára frissítve: 2026-06-26
Tesztelve: GroupDocs.Redaction 24.9 (Java)
Szerző: GroupDocs

Kapcsolódó oktatóanyagok