提取扫描 PDF 文本 – 使用 GroupDocs OCR 掩码数据

在当今数据驱动的世界，从扫描的 PDF 文件中提取文本并掩码机密信息是不可协商的合规步骤。本教程将指导您使用 GroupDocs Redaction 与 Microsoft Azure OCR 结合，可靠地识别扫描页面上的隐藏文本，并将其替换为安全的占位符，例如 [REDACTED]。您将了解为何此组合快速、准确，并且适用于生产级工作负载。

快速答案

  • “掩码敏感数据”是什么意思？ 它将已识别的机密文本替换为占位符（例如 [REDACTED]）。
  • 哪个库负责 OCR？ Microsoft Azure OCR connector, used through GroupDocs Redaction.
  • 我需要许可证吗？ 免费试用可用于评估；生产环境需要永久许可证。
  • 我可以对扫描的 PDF 进行脱敏吗？ 可以——OCR 在应用正则表达式脱敏之前提取隐藏文本。
  • 此解决方案仅限 Java 吗？ 示例基于 Java，但 GroupDocs 为 .NET 和其他平台提供了类似的 API。

什么是基于 OCR 的脱敏？

基于 OCR 的脱敏首先对每页运行 OCR，将图像转换为可搜索的文本，然后应用正则表达式模式，用类似 [REDACTED] 的掩码替换匹配项。此两步流程让您即使在扫描的 PDF 中也能可靠地隐藏个人数据，确保在文档共享或归档之前删除所有敏感字符串。

为什么将 GroupDocs Redaction 与 Azure OCR 结合使用？

您应该将 GroupDocs Redaction 与 Azure OCR 结合使用，因为它在印刷文本上提供 >98 % 的 OCR 准确率，支持 50 多种输入和输出格式，并且能够在 不将整个文件加载到内存中 的情况下处理 数百页的 PDF，确保合规的快速、可扩展脱敏。该解决方案还 能够在 8 核服务器上在 2 分钟内处理 1,000 页的 PDF，使批量作业变得实用。

前置条件

  • Java Development Kit (JDK) 8+ 已安装。
  • Maven（如果您偏好依赖管理）或手动下载 JAR 的能力。
  • Microsoft Azure OCR 凭证（端点和订阅密钥）。
  • 基本的 Java 知识以及对正则表达式的熟悉。

为 Java 设置 GroupDocs Redaction

Maven 设置

将 GroupDocs 仓库和依赖添加到您的 pom.xml 中：

<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>

直接下载

如果您更喜欢手动管理 JAR，请从 GroupDocs.Redaction for Java 发布版 获取最新发布版本。

许可证获取

  • 免费试用 – 免费探索所有功能。
  • 临时许可证 – 延长评估时间。
  • 完整许可证 – 解锁生产就绪功能。

基本初始化和设置

Redactor 类是执行 OCR 提取并对 PDF 文档应用脱敏规则的核心引擎。

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 脱敏掩码敏感数据

使用 OCR 脱敏掩码敏感数据的过程包括使用 Azure OCR 设置加载 PDF，定义要隐藏的数据的正则表达式模式，并调用 Redactor 将每个匹配项替换为类似 [REDACTED] 的占位符。该库在单一工作流中处理 OCR、模式匹配和 PDF 重写。

步骤 1：使用 OCR 设置加载文档

LoadOptions 配置 GroupDocs 加载文件的方式，允许您传入如 Azure 等 OCR 连接器。

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 – 替换为您的 PDF 路径。
  • settings – 包含您之前创建的 Azure OCR 连接器。

步骤 2：定义并应用正则表达式脱敏

ReplacementOptions 指定在脱敏期间将替换每个正则匹配的文本。

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 匹配美国社会安全号码。
  • ReplacementOptions("[REDACTED]") 将每个匹配替换为掩码，实质上 掩码敏感数据。

掩码敏感数据的常见使用场景

  1. 法律文档管理 – 在共享草稿前隐藏客户标识符。
  2. 财务报告 – 保护账户号码和交易 ID。
  3. 医疗记录 – 通过脱敏患者标识符遵守 HIPAA。
  4. 政府出版物 – 从公共记录中删除个人数据。
  5. 企业合同 – 在外部审查期间隐藏专有条款。

性能技巧

  • 优化正则表达式 – 避免过于宽泛的模式导致处理时间增加；精心编写的表达式可将运行时间缩短最多约 40 %。
  • 内存管理 – 及时关闭 Redactor 实例（try‑with‑resources 会自动完成）。
  • 异步执行 – 对于批量处理，在独立线程上运行脱敏任务或使用任务队列以保持 UI 响应。

故障排除

  • Azure 凭证错误 – 再次检查 MicrosoftAzureOcrConnector 中的端点 URL 和订阅密钥。
  • 文档未加载 – 验证文件路径并确保 PDF 未受密码保护（或通过 LoadOptions 提供密码）。
  • 未应用脱敏 – 首先使用简单字符串测试正则表达式；在单元测试中使用 Pattern.compile 确认匹配。

常见问题

Q: 什么是 OCR 脱敏？
A: OCR 脱敏使用光学字符识别从图像或扫描的 PDF 中提取隐藏文本，然后应用脱敏规则对该文本进行掩码处理。

Q: 我可以在没有 Azure OCR 的情况下使用 GroupDocs Redaction 吗？
A: 可以，但在原生文本提取失败的扫描文档上，OCR 能显著提升准确性。

Q: 我该如何处理复杂的正则表达式模式？
A: 逐步构建并测试它们，在将其应用于大型文档之前，在沙箱中使用 Java 的 Pattern 类进行验证。

Q: 常见的性能瓶颈是什么？
A: 大型 PDF、过于复杂的正则表达式以及同步 OCR 调用会导致处理变慢；考虑批量处理和优化的模式。

Q: 是否提供实现问题的支持？
A: 当然——通过 GroupDocs 论坛 获取社区帮助或联系 GroupDocs 支持。

其他资源

最后更新： 2026-06-26
测试环境： GroupDocs.Redaction 24.9 (Java)
作者： GroupDocs

相关教程