Python自动识别合同文本中的敏感信息并生成脱敏文件的脚本流程【教程】

Python合同敏感信息识别与脱敏可基于正则+关键词匹配实现：精准定位身份证号、手机号、银行卡号等，按规则掩码处理（如身份证前6后4保留），结合jieba分词匹配姓名公司名，支持txt/docx/pdf多格式读取与结构化输出。

用Python自动识别合同文本中的敏感信息并生成脱敏文件，核心在于：精准定位敏感词（如身份证号、手机号、银行账号、公司名称、签约方姓名等），按规则替换或掩码处理，并保留原文结构输出新文件。不依赖复杂模型，正则+关键词匹配+基础NLP即可落地。

一、明确要识别的敏感信息类型和规则

先梳理合同中常见的敏感字段，每类定义清晰的识别方式和脱敏格式：

• 身份证号：15位或18位数字（含X/x），用正则 r'\b\d{15}|\d{17}[\dXx]\b' 匹配，脱敏为前6位+“****”+后4位
• 手机号：11位连续数字，开头为1，用 r'1[3-9]\d{9}' 匹配，脱敏为前3位+“****”+后4位
• 银行卡号：16–19位连续数字，常带空格或短横线，先清洗再匹配 r'\b\d{16,19}\b'，脱敏为前6位+“****”+后4位
• 姓名/公司名：需自建关键词表（如“甲方：XXX有限公司”），用字符串包含或jieba分词+词典匹配，脱敏为“甲方：某公司”或“张三”→“某先生”
• 金额、日期、地址：按需控制，例如金额大于100万标为“【大额金额】”，日期统一转为“【签约日期】”

二、读取与预处理合同文本

支持txt、docx（需python-docx）、pdf（需PyPDF2或pdfplumber）三种常见格式。推荐从txt起步，稳定易调试：

• txt文件直接 open(..., encoding='utf-8') 读取
• docx用 Document('xxx.docx').paragraphs 提取段落，拼接为字符串
• pdf优先用 pdfplumber（对表格/换行更友好），避免PyPDF2乱码；提取后做简单清洗：去多余空格、合并软回车
• 统一转为UTF-8字符串，记录原始段落位置（便于后续还原格式）

三、逐类匹配 + 安全替换（避免误伤）

关键原则：从长到短匹配、避开URL/代码块、保留原始标点。推荐用 re.sub() 配合回调函数，按优先级顺序处理：

标签： python 回调函数 pdf 邮箱