1. 引言：为什么需要文档脱敏？

在当今 AI 技术飞速发展的时代，我们经常需要将文档上传到云端进行分析、翻译或总结。然而，这些文档中可能包含大量敏感信息，例如：

• 个人身份信息（PII）：姓名、身份证号、手机号、住址。
• 财务信息：银行卡号、交易记录、工资单。
• 商业机密：合同金额、客户名单、未公开的战略计划。
• 健康信息：病历、诊断报告、用药记录。

如果将这些包含敏感信息的原始文档直接交给 AI 处理，无异于将自家钥匙交给陌生人。数据泄露的风险极高！文档脱敏就是在不改变文档核心内容（如文章结构、技术描述）的前提下，自动识别并替换掉这些敏感信息，生成一份“安全副本”供 AI 使用，从而保护你的隐私。

本文将用最通俗的语言和代码，教你如何用 Python 为自己的文档穿上“隐身衣”。

2. 核心思路：找到它，替换它

文档脱敏的核心流程非常简单，就两步：

1. 识别（Find）：在文本中找出所有符合敏感信息模式的内容（如手机号、邮箱）。
2. 替换（Replace）：将这些真实内容替换成无害的假数据（如“[手机号已脱敏]”或随机生成的虚拟号码）。

这个过程就像用“马克笔”把文件上的关键信息涂黑一样。我们接下来要做的，就是教 Python 这支“马克笔”认识哪些信息需要涂黑。

3. 实战准备：你的 Python 工具箱

我们将使用 Python 内置的 re 模块（正则表达式）来识别模式，不需要安装额外库，真正做到“开箱即用”。

首先，确保你有一个可以运行 Python 的环境（推荐使用 Jupyter Notebook 或 VS Code）。然后，创建一个新的 Python 文件，例如 desensitize.py。

4. 第一步：识别常见的敏感信息模式

不同的敏感信息有不同的格式规律，我们可以用“正则表达式”这个强大的工具来描述这些规律。

import re
1. 中国大陆手机号 (11位，以13/14/15/16/17/18/19开头)
phone_pattern = r'(?<![\d-])(1[3-9]\d{9})(?![\d-])'
解释：1[3-9] 表示第一位是1，第二位是3-9；\d{9} 表示后面跟着9位数字。
(?<![\d-]) 和 (?![\d-]) 确保匹配的是独立的手机号，而不是更长数字串的一部分。
2. 身份证号 (18位，最后一位可能是X)
id_card_pattern = r'(\d{17}[\dXx])'
更严谨的可以加上校验位，但作为示例，匹配18位字符即可。
3. 邮箱地址
email_pattern = r'([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,})'
4. 银行卡号 (这里简单匹配16-19位连续数字，实际业务需结合发卡行规则)
bank_card_pattern = r'(\d{16,19})'
将模式编译成正则表达式对象，提高效率
patterns = {
'手机号': re.compile(phone_pattern),
'身份证号': re.compile(id_card_pattern),
'邮箱': re.compile(email_pattern),
'银行卡号': re.compile(bank_card_pattern)
}

小提示：正则表达式就像“文本模具”，上述模式能覆盖大部分情况。对于更复杂的场景（如中文姓名、地址），可能需要结合分词库（如 jieba）或更复杂的规则。

5. 第二步：编写脱敏函数

有了“模具”，我们就可以编写一个函数，让它扫描整篇文档，并替换所有匹配到的敏感信息。

def desensitize_text(text, replacement='[已脱敏]'):
    """
    对文本进行脱敏处理。
    :param text: 原始文本
    :param replacement: 替换后的显示内容，默认为'[已脱敏]'
    :return: 脱敏后的安全文本
    """
    result = text
    for info_type, pattern in patterns.items():
        # 使用 sub 方法进行替换
        result = pattern.sub(replacement, result)
    return result
让我们测试一下！
original_text = """
张三的手机号是13800138000，邮箱是zhangsan@example.com。
他的身份证号是110101199001011234，工资卡号是6228480012345678901。
公司地址：北京市海淀区中关村大街1号。
"""
safe_text = desensitize_text(original_text)
print("【原始文本】")
print(original_text)
print("\n【脱敏后文本】")
print(safe_text)

运行上面的代码，你会看到输出：

【原始文本】
张三的手机号是13800138000，邮箱是zhangsan@example.com。
他的身份证号是110101199001011234，工资卡号是6228480012345678901。
公司地址：北京市海淀区中关村大街1号。
【脱敏后文本】
张三的手机号是[已脱敏]，邮箱是[已脱敏]。
他的身份证号是[已脱敏]，工资卡号是[已脱敏]。
公司地址：北京市海淀区中关村大街1号。

看！所有敏感信息都被安全地替换掉了，而普通地址“中关村大街1号”因为不符合任何模式，被完整保留。这就是脱敏的威力！

6. 第三步：处理文件而不仅仅是字符串

我们通常要处理的是整个文件（如 .txt, .docx, .pdf）。别担心，Python 也能轻松搞定。

6.1 处理纯文本文件 (.txt)

def desensitize_file(input_file_path, output_file_path):
    """读取文本文件，脱敏后写入新文件"""
    try:
        with open(input_file_path, 'r', encoding='utf-8') as f:
            original_content = f.read()
        safe_content = desensitize_text(original_content)
        with open(output_file_path, 'w', encoding='utf-8') as f:
            f.write(safe_content)
        print(f"文件脱敏完成！安全版本已保存至：{output_file_path}")
    except FileNotFoundError:
        print(f"错误：找不到文件 {input_file_path}")
    except Exception as e:
        print(f"处理文件时发生错误：{e}")
使用示例
desensitize_file('secret_report.txt', 'secret_report_safe.txt')

6.2 处理 Word 文档 (.docx)

需要安装 python-docx 库：pip install python-docx

from docx import Document
def desensitize_docx(input_path, output_path):
"""处理 .docx 文件中的段落文本"""
doc = Document(input_path)
for paragraph in doc.paragraphs:
if paragraph.text:
paragraph.text = desensitize_text(paragraph.text)
# 还可以处理表格（这里省略以保持简洁）
doc.save(output_path)
print(f"Word 文档脱敏完成！保存至：{output_path}")

7. 进阶技巧：更智能的脱敏

上面的方法虽然有效，但把所有信息都替换成一样的“[已脱敏]”有时会破坏上下文。我们可以做得更聪明：

• 保留部分信息：手机号只显示前3后4位，如“138****8000”。
• 按类型差异化替换：手机号替换成“[手机号已隐藏]”，邮箱替换成“[邮箱已隐藏]”。
• 使用假数据替换：用随机生成的、格式正确的假数据替换，便于测试。

这里给出一个“保留部分信息”的手机号脱敏示例：

def desensitize_phone_keep_format(match_obj):
    """将匹配到的手机号替换为 前3位****后4位 的格式"""
    phone_num = match_obj.group(1)
    return phone_num[:3] + '****' + phone_num[-4:]
在脱敏函数中针对手机号使用这个自定义替换函数
def desensitize_text_smart(text):
result = text
# 手机号特殊处理
result = patterns['手机号'].sub(desensitize_phone_keep_format, result)
# 其他类型仍用通用替换
for info_type, pattern in patterns.items():
if info_type != '手机号':
result = pattern.sub(f'[{info_type}已隐藏]', result)
return result
测试智能脱敏
original = "请联系李四：13912345678，邮箱 lisi@company.com。"
print(desensitize_text_smart(original))
输出：请联系李四：139****5678，邮箱 [邮箱已隐藏]。

8. 完整实战：一个可用的脱敏脚本

将以上所有功能整合，创建一个可以直接运行的脚本：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
简易文档脱敏工具
用法：python desensitize_tool.py 输入文件.txt 输出文件_safe.txt
"""
import re
import sys
... (此处插入上面定义的所有正则表达式模式和函数) ...
def main():
if len(sys.argv) != 3:
print("用法错误！")
print("示例：python desensitize_tool.py 原始文档.txt 安全文档.txt")
sys.exit(1)
input_file = sys.argv[1]
output_file = sys.argv[2]
这里调用处理文本文件的函数
desensitize_file(input_file, output_file)
if name == "main":
main()

保存为 desensitize_tool.py，在命令行中运行：

python desensitize_tool.py my_secret_data.txt my_secret_data_safe.txt

你的私人数据就安全了！

9. 总结与安全提醒

恭喜！你现在已经掌握了用 Python 保护文档隐私的核心技能。让我们回顾一下关键点：

1. 脱敏是必要的：在将文档交给任何 AI 或云服务前，先脱敏。
2. 核心是模式匹配：用正则表达式定义你要保护的敏感信息格式。
3. 从字符串到文件：核心逻辑相同，只需增加文件读写步骤。
4. 可以更智能：根据需求调整替换策略，平衡安全性与可用性。

最后的重要提醒：

• 本文提供的正则表达式是基础示例，实际生产环境需要更严谨的模式（如身份证校验码验证）。
• 对于高度敏感的数据，建议在本地环境运行脱敏脚本，脱敏完成后再将“安全副本”上传。
• 定期检查和更新你的脱敏规则，以应对新的数据泄露风险。

保护数据，就是保护你自己。现在，就去为你重要的文档穿上“隐身衣”吧！