Wyodrębnianie tekstu ze skanowanego PDF – Maskowanie danych przy użyciu GroupDocs OCR

W dzisiejszym świecie napędzanym danymi, wyodrębnianie tekstu ze skanowanych plików PDF i maskowanie poufnych informacji jest nieodłącznym krokiem zapewniającym zgodność. Ten samouczek przeprowadzi Cię przez użycie GroupDocs Redaction wraz z Microsoft Azure OCR, aby niezawodnie rozpoznawać ukryty tekst na zeskanowanych stronach i zastępować go bezpiecznym symbolem, takim jak [REDACTED]. Zobaczysz, dlaczego to połączenie jest szybkie, dokładne i gotowe do produkcyjnych obciążeń.

Szybkie odpowiedzi

  • Co oznacza „maskowanie wrażliwych danych”? Zastępuje zidentyfikowany poufny tekst symbolem zastępczym (np. [REDACTED]).
  • Która biblioteka obsługuje OCR? Microsoft Azure OCR connector, używany przez GroupDocs Redaction.
  • Czy potrzebna jest licencja? Darmowa wersja próbna działa w celach oceny; stała licencja jest wymagana w produkcji.
  • Czy mogę redagować zeskanowane PDF-y? Tak — OCR wyodrębnia ukryty tekst przed zastosowaniem redakcji regex.
  • Czy to rozwiązanie jest tylko w Javie? Przykład jest oparty na Javie, ale GroupDocs udostępnia podobne API dla .NET i innych platform.

Czym jest redakcja oparta na OCR?

Redakcja oparta na OCR najpierw uruchamia OCR na każdej stronie, przekształcając obrazy w tekst przeszukiwalny, a następnie stosuje wzorce regex, aby zastąpić dopasowania maską, taką jak [REDACTED]. Ten dwustopniowy proces pozwala niezawodnie ukrywać dane osobowe nawet w zeskanowanych PDF-ach, zapewniając usunięcie wszelkich wrażliwych ciągów przed udostępnieniem lub archiwizacją dokumentu.

Dlaczego używać GroupDocs Redaction z Azure OCR?

Powinieneś używać GroupDocs Redaction z Azure OCR, ponieważ zapewnia >98 % dokładności OCR w przypadku tekstu drukowanego, obsługuje ponad 50 formatów wejściowych i wyjściowych oraz może przetwarzać PDF-y wielokrotnie setstronicowe bez ładowania całego pliku do pamięci, zapewniając szybką, skalowalną redakcję dla zgodności. Rozwiązanie także skaluje się, aby przetworzyć 1 000‑stronicowy PDF w mniej niż 2 minuty na serwerze 8‑rdzeniowym, co czyni zadania wsadowe praktycznymi.

Wymagania wstępne

  • Java Development Kit (JDK) 8+ zainstalowany.
  • Maven (jeśli wolisz zarządzanie zależnościami) lub możliwość ręcznego pobrania plików JAR.
  • Microsoft Azure OCR credentials (endpoint i klucz subskrypcji).
  • Podstawowa znajomość Javy oraz wyrażeń regularnych.

Konfiguracja GroupDocs Redaction dla Javy

Konfiguracja Maven

Dodaj repozytorium GroupDocs i zależność do swojego 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>

Bezpośrednie pobranie

Jeśli wolisz ręczne zarządzanie plikami JAR, pobierz najnowszą wersję z GroupDocs.Redaction for Java releases.

Uzyskiwanie licencji

  • Free Trial – przetestuj wszystkie funkcje bez kosztów.
  • Temporary License – wydłuż czas oceny.
  • Full License – odblokuj możliwości gotowe do produkcji.

Podstawowa inicjalizacja i konfiguracja

Klasa Redactor jest głównym silnikiem, który wykonuje wyodrębnianie OCR i stosuje reguły redakcji do dokumentów 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());

Jak maskować wrażliwe dane przy użyciu OCR Redaction

Maskowanie wrażliwych danych przy użyciu OCR Redaction polega na załadowaniu PDF z ustawieniami Azure OCR, zdefiniowaniu wzorców regex dla danych, które chcesz ukryć, oraz wywołaniu Redactor, aby zastąpił każde dopasowanie symbolem zastępczym, takim jak [REDACTED]. Biblioteka obsługuje OCR, dopasowywanie wzorców i przepisywanie PDF w jednym przepływie pracy.

Krok 1: Załaduj dokument z ustawieniami OCR

LoadOptions konfiguruje sposób, w jaki GroupDocs ładuje plik, umożliwiając przekazanie konektorów OCR, takich jak 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 – zamień na ścieżkę do swojego PDF.
  • settings – zawiera konektor Azure OCR, który utworzyłeś wcześniej.

Krok 2: Zdefiniuj i zastosuj redakcje regex

ReplacementOptions określa tekst zastępczy, który będzie podmieniał każde dopasowanie regex podczas redakcji.

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());
  • Wzorzec \b\d{3}-\d{2}-\d{4}\b dopasowuje amerykańskie numery Social Security.
  • ReplacementOptions("[REDACTED]") zamienia każde dopasowanie na maskę, skutecznie maskując wrażliwe dane.

Typowe przypadki użycia maskowania wrażliwych danych

  1. Legal Document Management – ukryj identyfikatory klientów przed udostępnieniem wersji roboczych.
  2. Financial Reporting – zabezpiecz numery kont i identyfikatory transakcji.
  3. Healthcare Records – spełnij wymogi HIPAA, redagując identyfikatory pacjentów.
  4. Government Publications – usuń dane osobowe z dokumentów publicznych.
  5. Corporate Contracts – ukryj własnościowe warunki podczas przeglądów zewnętrznych.

Wskazówki dotyczące wydajności

  • Optimize regex – unikaj zbyt szerokich wzorców, które zwiększają czas przetwarzania; dobrze skonstruowane wyrażenia mogą skrócić czas działania nawet o 40 %.
  • Memory Management – zamykaj instancję Redactor niezwłocznie (try‑with‑resources robi to automatycznie).
  • Asynchronous Execution – przy przetwarzaniu wsadowym uruchamiaj zadania redakcji w osobnych wątkach lub używaj kolejki zadań, aby interfejs pozostawał responsywny.

Rozwiązywanie problemów

  • Azure credentials error – sprawdź ponownie URL punktu końcowego i klucz subskrypcji w MicrosoftAzureOcrConnector.
  • Document not loading – zweryfikuj ścieżkę pliku i upewnij się, że PDF nie jest chroniony hasłem (lub podaj hasło poprzez LoadOptions).
  • No redactions applied – najpierw przetestuj swój regex na prostym ciągu; użyj Pattern.compile w teście jednostkowym, aby potwierdzić dopasowania.

Najczęściej zadawane pytania

Q: Czym jest redakcja OCR?
A: Redakcja OCR wykorzystuje rozpoznawanie znaków optycznych (Optical Character Recognition) do wyodrębniania ukrytego tekstu z obrazów lub zeskanowanych PDF‑ów, a następnie stosuje reguły redakcji, aby zamaskować ten tekst.

Q: Czy mogę używać GroupDocs Redaction bez Azure OCR?
A: Tak, ale OCR znacznie zwiększa dokładność w zeskanowanych dokumentach, w których natywne wyodrębnianie tekstu zawodzi.

Q: Jak radzić sobie ze złożonymi wzorcami regex?
A: Twórz i testuj je stopniowo, używając klasy Pattern w Javie w środowisku testowym przed zastosowaniem do dużych dokumentów.

Q: Jakie są typowe wąskie gardła wydajności?
A: Duże PDF‑y, nadmiernie złożone regexy oraz synchroniczne wywołania OCR mogą spowalniać przetwarzanie; rozważ przetwarzanie wsadowe i zoptymalizowane wzorce.

Q: Czy dostępne jest wsparcie w kwestiach implementacji?
A: Oczywiście — skontaktuj się poprzez GroupDocs forum po pomoc społeczności lub skontaktuj się z wsparciem GroupDocs.

Dodatkowe zasoby

Ostatnia aktualizacja: 2026-06-26
Testowane z: GroupDocs.Redaction 24.9 (Java)
Autor: GroupDocs

Powiązane samouczki