提取掃描 PDF 文本 – 使用 GroupDocs OCR 掩碼資料

在當今以數據為驅動的世界，從掃描的 PDF 中提取文本 並掩碼機密資訊是不可協商的合規步驟。本教程將指導您如何結合 GroupDocs Redaction 與 Microsoft Azure OCR，可靠地識別掃描頁面的隱藏文字，並以安全的佔位符（例如 [REDACTED]）取代。您將了解為何此組合快速、精確，且適用於生產級工作負載。

快速解答

  • 「掩碼敏感資料」是什麼意思？ 它會將已識別的機密文字以佔位符取代（例如 [REDACTED]）。
  • 哪個函式庫負責 OCR？ Microsoft Azure OCR 連接器，透過 GroupDocs Redaction 使用。
  • 我需要授權嗎？ 免費試用可用於評估；正式環境需購買永久授權。
  • 我可以對掃描的 PDF 進行遮蔽嗎？ 可以——OCR 會在套用正則表達式遮蔽前提取隱藏文字。
  • 此解決方案僅限 Java 嗎？ 範例基於 Java，但 GroupDocs 亦提供 .NET 等平台的相似 API。

什麼是基於 OCR 的遮蔽？

基於 OCR 的遮蔽會先對每頁執行 OCR，將影像轉換為可搜尋的文字，然後套用正則表達式模式，以 [REDACTED] 等遮蔽字元取代匹配項目。這兩步驟流程可可靠地隱藏掃描 PDF 中的個人資料，確保在文件分享或存檔前移除所有敏感字串。

為何使用 GroupDocs Redaction 搭配 Azure OCR？

您應該使用 GroupDocs Redaction 搭配 Azure OCR，因為它在印刷文字上提供 >98 % 的 OCR 正確率，支援 超過 50 種輸入與輸出格式，且能在 不將整個檔案載入記憶體的情況下處理多百頁的 PDF，確保合規的快速且可擴展的遮蔽。此解決方案亦 能在 8 核心伺服器上於 2 分鐘內處理 1,000 頁 PDF，使批次作業變得實用。

前置條件

  • Java Development Kit (JDK) 8+ 已安裝。
  • Maven（若您偏好相依管理）或能手動下載 JAR。
  • Microsoft Azure OCR 憑證（端點與訂閱金鑰）。
  • 基本的 Java 知識與正則表達式的熟悉度。

為 Java 設定 GroupDocs Redaction

Maven 設定

將 GroupDocs 的儲存庫與相依加入您的 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>

直接下載

若您偏好手動管理 JAR，請從 GroupDocs.Redaction for Java releases 取得最新版本。

取得授權

  • 免費試用 – 無償探索所有功能。
  • 臨時授權 – 延長評估時間。
  • 完整授權 – 解鎖生產就緒功能。

基本初始化與設定

Redactor 類別是執行 OCR 提取並對 PDF 文件套用遮蔽規則的核心引擎。

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());

如何使用 OCR 遮蔽掩碼敏感資料

使用 OCR 遮蔽掩碼敏感資料的流程包括以 Azure OCR 設定載入 PDF、為欲隱藏的資料定義正則表達式模式，並呼叫 Redactor 以 [REDACTED] 等佔位符取代每個匹配項目。此函式庫在單一工作流程中處理 OCR、模式匹配與 PDF 重寫。

步驟 1：以 OCR 設定載入文件

LoadOptions 設定 GroupDocs 載入檔案的方式，讓您能傳入如 Azure 等 OCR 連接器。

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 – 請替換為您的 PDF 路徑。
  • settings – 包含先前建立的 Azure OCR 連接器。

步驟 2：定義並套用正則表達式遮蔽

ReplacementOptions 指定在遮蔽過程中取代每個正則匹配的文字。

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());
  • 模式 \b\d{3}-\d{2}-\d{4}\b 可匹配美國社會安全號碼。
  • ReplacementOptions("[REDACTED]") 會將每個匹配項目換成遮蔽字元，從而有效 掩碼敏感資料。

掩碼敏感資料的常見使用情境

  1. 法律文件管理 – 在分享草稿前隱藏客戶識別碼。
  2. 財務報告 – 保護帳號與交易編號。
  3. 醫療紀錄 – 依照 HIPAA 需求遮蔽患者識別資訊。
  4. 政府出版物 – 從公開紀錄中移除個人資料。
  5. 企業合約 – 在外部審查時隱藏專有條款。

效能建議

  • 優化正則表達式 – 避免過於寬泛的模式以免增加處理時間；精心設計的表達式可將執行時間縮短最高達 40 %。
  • 記憶體管理 – 盡快關閉 Redactor 實例（使用 try‑with‑resources 會自動完成）。
  • 非同步執行 – 大量處理時，將遮蔽工作放在獨立執行緒或使用任務佇列，以保持 UI 響應。

疑難排解

  • Azure 憑證錯誤 – 請再次確認 MicrosoftAzureOcrConnector 中的端點 URL 與訂閱金鑰。
  • 文件無法載入 – 檢查檔案路徑，並確保 PDF 未受密碼保護（或透過 LoadOptions 提供密碼）。
  • 未套用遮蔽 – 先以簡單字串測試正則表達式；可在單元測試中使用 Pattern.compile 以確認匹配。

常見問答

Q: 什麼是 OCR 遮蔽？
A: OCR 遮蔽利用光學字符辨識（Optical Character Recognition）從影像或掃描的 PDF 中提取隱藏文字，然後套用遮蔽規則以掩碼該文字。

Q: 我可以在不使用 Azure OCR 的情況下使用 GroupDocs Redaction 嗎？
A: 可以，但在原生文字提取失敗的掃描文件上，OCR 能顯著提升準確度。

Q: 如何處理複雜的正則表達式模式？
A: 請逐步構建與測試，於沙盒環境使用 Java 的 Pattern 類別，確保在套用至大型文件前能正確匹配。

Q: 典型的效能瓶頸是什麼？
A: 大型 PDF、過於複雜的正則表達式，以及同步的 OCR 呼叫都會拖慢處理速度；建議使用批次處理與最佳化的模式。

Q: 是否提供實作問題的支援？
A: 當然——可透過 GroupDocs forum 尋求社群協助，或直接聯絡 GroupDocs 支援。

其他資源

最後更新: 2026-06-26
測試環境: GroupDocs.Redaction 24.9 (Java)
作者: GroupDocs

相關教學