Extrair Texto de PDF Escaneado – Mascarar Dados com GroupDocs OCR

No mundo orientado a dados de hoje, extrair texto de PDFs escaneados e mascarar informações confidenciais é uma etapa de conformidade inegociável. Este tutorial mostra como usar o GroupDocs Redaction junto com o Microsoft Azure OCR para reconhecer de forma confiável o texto oculto em páginas escaneadas e substituí‑lo por um placeholder seguro, como [REDACTED]. Você verá por que essa combinação é rápida, precisa e pronta para cargas de trabalho de nível de produção.

Respostas Rápidas

  • O que significa “mascarar dados sensíveis”? Substitui o texto confidencial identificado por um placeholder (por exemplo, [REDACTED]).
  • Qual biblioteca lida com OCR? Conector Microsoft Azure OCR, usado através do GroupDocs Redaction.
  • Preciso de uma licença? Um teste gratuito funciona para avaliação; uma licença permanente é necessária para produção.
  • Posso remover informações de PDFs escaneados? Sim—OCR extrai o texto oculto antes de aplicar as remoções por regex.
  • Esta solução é apenas Java? O exemplo é baseado em Java, mas o GroupDocs fornece APIs semelhantes para .NET e outras plataformas.

O que é Redação Baseada em OCR?

A Redação Baseada em OCR primeiro executa OCR em cada página, transformando imagens em texto pesquisável, e então aplica padrões regex para substituir as correspondências por uma máscara como [REDACTED]. Esse processo em duas etapas permite ocultar de forma confiável dados pessoais mesmo em PDFs escaneados, garantindo que quaisquer cadeias sensíveis sejam removidas antes que o documento seja compartilhado ou arquivado.

Por que Usar GroupDocs Redaction com Azure OCR?

Você deve usar o GroupDocs Redaction com Azure OCR porque ele oferece >98 % de precisão OCR em texto impresso, suporta mais de 50 formatos de entrada e saída, e pode processar PDFs com centenas de páginas sem carregar o arquivo inteiro na memória, garantindo redação rápida e escalável para conformidade. A solução também escala para processar um PDF de 1.000 páginas em menos de 2 minutos em um servidor de 8 núcleos, tornando os trabalhos em lote práticos.

Pré‑requisitos

  • Java Development Kit (JDK) 8+ instalado.
  • Maven (se preferir gerenciamento de dependências) ou a capacidade de baixar JARs manualmente.
  • Credenciais do Microsoft Azure OCR (endpoint e chave de assinatura).
  • Conhecimento básico de Java e familiaridade com expressões regulares.

Configurando GroupDocs Redaction para Java

Configuração 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>

Download Direto

Se preferir gerenciamento manual de JARs, obtenha a versão mais recente em GroupDocs.Redaction for Java releases.

Aquisição de Licença

  • Teste Gratuito – explore todos os recursos sem custo.
  • Licença Temporária – estenda o tempo de avaliação.
  • Licença Completa – desbloqueie recursos prontos para produção.

Inicialização e Configuração Básicas

The Redactor class is the core engine that performs OCR extraction and applies redaction rules to PDF documents.

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());

Como Mascarar Dados Sensíveis com Redação OCR

Mascarar dados sensíveis com Redação OCR envolve carregar o PDF com as configurações do Azure OCR, definir padrões regex para os dados que você deseja ocultar e invocar o Redactor para substituir cada correspondência por um placeholder como [REDACTED]. A biblioteca lida com OCR, correspondência de padrões e reescrita de PDF em um único fluxo de trabalho.

Etapa 1: Carregar o Documento com Configurações OCR

LoadOptions configura como o GroupDocs carrega um arquivo, permitindo que você passe conectores OCR como o 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 – substitua pelo caminho do seu PDF.
  • settings – contém o conector Azure OCR que você criou anteriormente.

Etapa 2: Definir e Aplicar Redações Regex

ReplacementOptions especifica o texto de substituição que substituirá cada correspondência regex durante a redação.

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());
  • O padrão \b\d{3}-\d{2}-\d{4}\b corresponde a números de Seguro Social dos EUA.
  • ReplacementOptions("[REDACTED]") troca cada correspondência pela máscara, efetivamente mascarando dados sensíveis.

Casos de Uso Comuns para Mascarar Dados Sensíveis

  1. Gerenciamento de Documentos Legais – ocultar identificadores de clientes antes de compartilhar rascunhos.
  2. Relatórios Financeiros – proteger números de conta e IDs de transação.
  3. Registros de Saúde – cumprir a HIPAA ao remover identificadores de pacientes.
  4. Publicações Governamentais – remover dados pessoais de registros públicos.
  5. Contratos Corporativos – ocultar termos proprietários durante revisões externas.

Dicas de Performance

  • Otimizar regex – evite padrões excessivamente amplos que aumentam o tempo de processamento; expressões bem elaboradas podem reduzir o tempo de execução em até 40 %.
  • Gerenciamento de Memória – feche a instância Redactor prontamente (try‑with‑resources faz isso automaticamente).
  • Execução Assíncrona – para processamento em lote, execute trabalhos de redação em threads separadas ou use uma fila de tarefas para manter a UI responsiva.

Solução de Problemas

  • Erro nas credenciais do Azure – verifique novamente o URL do endpoint e a chave de assinatura em MicrosoftAzureOcrConnector.
  • Documento não carregando – verifique o caminho do arquivo e assegure que o PDF não esteja protegido por senha (ou forneça a senha via LoadOptions).
  • Nenhuma redação aplicada – teste seu regex com uma string simples primeiro; use Pattern.compile em um teste unitário para confirmar as correspondências.

Perguntas Frequentes

Q: O que é redação OCR?
A: A redação OCR usa Reconhecimento Óptico de Caracteres para extrair texto oculto de imagens ou PDFs escaneados, e então aplica regras de redação para mascarar esse texto.

Q: Posso usar GroupDocs Redaction sem Azure OCR?
A: Sim, mas o OCR melhora drasticamente a precisão em documentos escaneados onde a extração de texto nativa falha.

Q: Como lidar com padrões regex complexos?
A: Construa e teste-os incrementalmente, usando a classe Pattern do Java em um sandbox antes de aplicar a documentos grandes.

Q: Quais são os gargalos de performance típicos?
A: PDFs grandes, regex excessivamente complexos e chamadas OCR síncronas podem desacelerar o processamento; considere processamento em lote e padrões otimizados.

Q: O suporte está disponível para questões de implementação?
A: Absolutamente—entre em contato através do GroupDocs forum para ajuda da comunidade ou contate o suporte da GroupDocs.

Recursos Adicionais

Última Atualização: 2026-06-26
Testado com: GroupDocs.Redaction 24.9 (Java)
Autor: GroupDocs

Tutoriais Relacionados