สกัดข้อความจาก PDF ที่สแกน – ปิดบังข้อมูลด้วย GroupDocs OCR

ในโลกที่ขับเคลื่อนด้วยข้อมูลในปัจจุบัน, การสกัดข้อความจากไฟล์ PDF ที่สแกน และการปิดบังข้อมูลที่เป็นความลับเป็นขั้นตอนการปฏิบัติตามที่ไม่อาจต่อรองได้. บทแนะนำนี้จะพาคุณผ่านการใช้ GroupDocs Redaction ร่วมกับ Microsoft Azure OCR เพื่อจดจำข้อความที่ซ่อนอยู่บนหน้าที่สแกนอย่างเชื่อถือได้และแทนที่ด้วยตัวแทนที่ปลอดภัยเช่น [REDACTED]. คุณจะเห็นว่าทำไมการผสมผสานนี้จึงเร็ว, แม่นยำ, และพร้อมสำหรับงานระดับการผลิต.

คำตอบด่วน

• “mask sensitive data” หมายถึงอะไร? มันแทนที่ข้อความที่เป็นความลับที่ระบุด้วยตัวแทน (เช่น [REDACTED]).
• ไลบรารีใดที่จัดการ OCR? Microsoft Azure OCR connector, ใช้ผ่าน GroupDocs Redaction.
• ฉันต้องการใบอนุญาตหรือไม่? การทดลองใช้ฟรีทำงานสำหรับการประเมิน; จำเป็นต้องมีใบอนุญาตถาวรสำหรับการใช้งานจริง.
• ฉันสามารถลบข้อมูลใน PDF ที่สแกนได้หรือไม่? ได้—OCR จะสกัดข้อความที่ซ่อนอยู่ก่อนที่จะใช้การลบข้อมูลด้วย regex.
• โซลูชันนี้เป็นเฉพาะ Java หรือไม่? ตัวอย่างนี้ใช้ Java, แต่ GroupDocs มี API ที่คล้ายกันสำหรับ .NET และแพลตฟอร์มอื่น ๆ.

OCR‑Based Redaction คืออะไร?

OCR‑Based Redaction ทำการรัน OCR บนแต่ละหน้าเป็นขั้นแรก, แปลงภาพเป็นข้อความที่สามารถค้นหาได้, จากนั้นใช้รูปแบบ regex เพื่อแทนที่ที่ตรงกันด้วยหน้ากากเช่น [REDACTED]. กระบวนการสองขั้นตอนนี้ทำให้คุณสามารถปิดบังข้อมูลส่วนบุคคลได้อย่างเชื่อถือแม้ใน PDF ที่สแกน, เพื่อให้แน่ใจว่าข้อความที่เป็นความลับทั้งหมดถูกลบก่อนที่เอกสารจะถูกแชร์หรือเก็บถาวร.

ทำไมต้องใช้ GroupDocs Redaction กับ Azure OCR?

คุณควรใช้ GroupDocs Redaction กับ Azure OCR เพราะมันให้ ความแม่นยำ OCR >98 % กับข้อความที่พิมพ์, รองรับ รูปแบบไฟล์เข้าและออกกว่า 50 แบบ, และสามารถประมวลผล PDF หลายร้อยหน้าโดยไม่ต้องโหลดไฟล์ทั้งหมดเข้าสู่หน่วยความจำ, ทำให้การลบข้อมูลเร็วและขยายขนาดได้สำหรับการปฏิบัติตาม. โซลูชันนี้ยัง สามารถประมวลผล PDF 1,000 หน้าในเวลาน้อยกว่า 2 นาทีบนเซิร์ฟเวอร์ 8‑คอร์, ทำให้งานแบตช์เป็นไปได้จริง.

ข้อกำหนดเบื้องต้น

• Java Development Kit (JDK) 8+ ติดตั้งแล้ว.
• Maven (หากคุณต้องการการจัดการ dependencies) หรือความสามารถในการดาวน์โหลด JARs ด้วยตนเอง.
• Microsoft Azure OCR credentials (endpoint และ subscription key).
• ความรู้พื้นฐานของ Java และความคุ้นเคยกับ regular expressions.

การตั้งค่า GroupDocs Redaction สำหรับ Java

การตั้งค่า Maven

เพิ่ม repository ของ GroupDocs และ dependency ลงใน pom.xml ของคุณ:

<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>

ดาวน์โหลดโดยตรง

หากคุณต้องการจัดการ JAR ด้วยตนเอง, ดาวน์โหลดเวอร์ชันล่าสุดจาก GroupDocs.Redaction for Java releases.

การรับใบอนุญาต

• Free Trial – สำรวจคุณสมบัติทั้งหมดโดยไม่มีค่าใช้จ่าย.
• Temporary License – ขยายระยะเวลาการประเมิน.
• Full License – ปลดล็อกความสามารถพร้อมใช้งานในการผลิต.

การเริ่มต้นและตั้งค่าเบื้องต้น

คลาส Redactor เป็นเอนจินหลักที่ทำการสกัด OCR และใช้กฎการลบข้อมูลกับเอกสาร 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());

วิธีปิดบังข้อมูลที่เป็นความลับด้วย OCR Redaction

การปิดบังข้อมูลที่เป็นความลับด้วย OCR Redaction เกี่ยวข้องกับการโหลด PDF ด้วยการตั้งค่า Azure OCR, กำหนดรูปแบบ regex สำหรับข้อมูลที่ต้องการซ่อน, และเรียกใช้ Redactor เพื่อแทนที่แต่ละการจับคู่ด้วยตัวแทนเช่น [REDACTED]. ไลบรารีจัดการ OCR, การจับคู่รูปแบบ, และการเขียน PDF ใหม่ในขั้นตอนเดียว.

ขั้นตอนที่ 1: โหลดเอกสารด้วยการตั้งค่า OCR

LoadOptions กำหนดวิธีที่ GroupDocs โหลดไฟล์, ให้คุณส่ง OCR connector เช่น 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 – แทนที่ด้วยเส้นทางไปยัง PDF ของคุณ.
• settings – มี Azure OCR connector ที่คุณสร้างไว้ก่อนหน้า.

ขั้นตอนที่ 2: กำหนดและใช้ Regex Redactions

ReplacementOptions ระบุข้อความแทนที่ที่จะใช้แทนแต่ละการจับคู่ regex ระหว่างการลบข้อมูล.

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());

• รูปแบบ \b\d{3}-\d{2}-\d{4}\b จับคู่หมายเลข Social Security ของสหรัฐอเมริกา.
• ReplacementOptions("[REDACTED]") แทนที่แต่ละการจับคู่ด้วยหน้ากาก, ทำให้ ปิดบังข้อมูลที่เป็นความลับ อย่างมีประสิทธิภาพ.

กรณีการใช้งานทั่วไปสำหรับการปิดบังข้อมูลที่เป็นความลับ

1. Legal Document Management – ซ่อนตัวระบุของลูกค้าก่อนแชร์ฉบับร่าง.
2. Financial Reporting – ปกป้องหมายเลขบัญชีและรหัสการทำธุรกรรม.
3. Healthcare Records – ปฏิบัติตาม HIPAA โดยลบตัวระบุผู้ป่วย.
4. Government Publications – ลบข้อมูลส่วนบุคคลจากบันทึกสาธารณะ.
5. Corporate Contracts – ซ่อนเงื่อนไขที่เป็นกรรมสิทธิ์ระหว่างการตรวจสอบจากภายนอก.

เคล็ดลับประสิทธิภาพ

• Optimize regex – หลีกเลี่ยงรูปแบบที่กว้างเกินไปซึ่งทำให้เวลาในการประมวลผลเพิ่มขึ้น; นิพจน์ที่ออกแบบดีสามารถลดระยะเวลาการทำงานได้ถึง 40 %.
• Memory Management – ปิดอินสแตนซ์ Redactor อย่างทันท่วงที (try‑with‑resources ทำให้โดยอัตโนมัติ).
• Asynchronous Execution – สำหรับการประมวลผลจำนวนมาก, รันงานลบข้อมูลบนเธรดแยกหรือใช้คิวงานเพื่อให้ UI ตอบสนอง.

การแก้ไขปัญหา

• Azure credentials error – ตรวจสอบ URL ของ endpoint และ subscription key ใน MicrosoftAzureOcrConnector อีกครั้ง.
• Document not loading – ตรวจสอบเส้นทางไฟล์และให้แน่ใจว่า PDF ไม่ได้ถูกป้องกันด้วยรหัสผ่าน (หรือให้รหัสผ่านผ่าน LoadOptions).
• No redactions applied – ทดสอบ regex ของคุณด้วยสตริงง่าย ๆ ก่อน; ใช้ Pattern.compile ใน unit test เพื่อยืนยันการจับคู่.

คำถามที่พบบ่อย

Q: OCR redaction คืออะไร?
A: OCR redaction ใช้ Optical Character Recognition เพื่อสกัดข้อความที่ซ่อนอยู่จากภาพหรือ PDF ที่สแกน, จากนั้นใช้กฎการลบข้อมูลเพื่อปิดบังข้อความนั้น.

Q: ฉันสามารถใช้ GroupDocs Redaction โดยไม่ใช้ Azure OCR ได้หรือไม่?
A: ได้, แต่ OCR จะเพิ่มความแม่นยำอย่างมากในเอกสารที่สแกนซึ่งการสกัดข้อความโดยธรรมชาติล้มเหลว.

Q: ฉันจะจัดการกับรูปแบบ regex ที่ซับซ้อนได้อย่างไร?
A: สร้างและทดสอบแบบค่อยเป็นค่อยไป, ใช้คลาส Pattern ของ Java ใน sandbox ก่อนนำไปใช้กับเอกสารขนาดใหญ่.

Q: จุดคอขวดด้านประสิทธิภาพที่พบบ่อยคืออะไร?
A: PDF ขนาดใหญ่, regex ที่ซับซ้อนเกินไป, และการเรียก OCR แบบ synchronous สามารถทำให้การประมวลผลช้า; พิจารณาการประมวลผลแบบแบตช์และรูปแบบที่ปรับให้เหมาะสม.

Q: มีการสนับสนุนสำหรับปัญหาการนำไปใช้หรือไม่?
A: แน่นอน—ติดต่อผ่าน GroupDocs forum เพื่อขอความช่วยเหลือจากชุมชนหรือสอบถามทีมสนับสนุนของ GroupDocs.

แหล่งข้อมูลเพิ่มเติม

• เอกสารประกอบ: https://docs.groupdocs.com/redaction/java/
• อ้างอิง API: https://reference.groupdocs.com/redaction/java
• ดาวน์โหลด: https://releases.groupdocs.com/redaction/java/
• GitHub: https://github.com/groupdocs-redaction/GroupDocs.Redaction-for-Java
• การสนับสนุนฟรี: https://forum.groupdocs.com/c/redaction/33
• ใบอนุญาตชั่วคราว: https://purchase.groupdocs.com/temporary-license/

Last Updated: 2026-06-26
ทดสอบกับ: GroupDocs.Redaction 24.9 (Java)
ผู้เขียน: GroupDocs

บทแนะนำที่เกี่ยวข้อง

• การลบข้อมูล PDF อย่างปลอดภัยด้วย OCR – GroupDocs.Redaction Java
• วิธีลบข้อความด้วย GroupDocs.Redaction สำหรับ Java
• ปิดบังข้อมูลที่เป็นความลับ Java – ลบข้อมูลส่วนบุคคลด้วย GroupDocs.Redaction