PDF 怎么正确脱敏？从类型诊断、字段识别到反向验收的完整指南

很多 PDF “打了码”仍然会泄露：页面上是黑块，鼠标却能选中下方文字；搜索姓名仍有命中；扫描页上的印章被挡住了，OCR 又读出了章内单位；正文处理完毕，附件、批注或文件属性里还留着原名称。问题不在黑色是否够黑，而在于是否把“页面看见的内容、可提取的内容和 PDF 容器里的其他对象”分别处理并验收。

本指南以当前桌面版脱敏卫士（RedactOS）为主流程。它支持文字型 PDF、扫描型 PDF 和图片的导入，可用正则规则与 AI/NER 生成敏感信息候选，允许人工取消误报、划词补标、框选图片区域，并按用途选择涂黑、星号遮盖或混淆代指。它不是通用 PDF 结构清理器，也不保证自动删除全部元数据、批注、附件、表单、书签、链接或数字签名对象。因此，一份可外发的结果必须经过两条链路：先在脱敏卫士里处理内容，再用独立 PDF 工具检查结构对象并反向验证。

先理解：视觉遮挡不等于内容脱敏

在普通 PDF 阅读器里画矩形、添加批注，往往只是新增一个覆盖层。原文字可能仍在下方文本层中，复制、搜索或文本提取就能读出；矩形也可能被移动、删除，或者在不同渲染器中出现错位。把字号改成白色、用图片盖住文字、截一张低清截图，同样不能替代正式处理：它们可能保留 OCR 层、裁切区外内容或原附件。

脱敏的目标也不是抽象地“删得越多越好”，而是围绕明确收件人与用途，生成一份最小必要披露的独立副本。对外公示合同可能要保留条款结构，却处理当事人身份、联系方式和签名印章；交给审计的流水可能要保留期间、币种与勾稽关系，却处理账户、交易对手和与审计目的无关的备注。处理方式取决于用途，验收标准则必须在操作前写清楚。

四类国内材料，分别要找什么

1. 合同、诉讼与法律材料

合同外发给外部顾问、制作培训案例或进入知识库前，通常要检查当事人姓名、身份证号、手机号、邮箱、住址、单位、统一社会信用代码、合同编号、司法案号、银行账户、金额、日期、网址，以及正文中的保密条款、价格条款、项目代号等商业信息。签名、手写批注、骑缝章与公章常以图片存在，不能只跑文本识别。附件中的授权书、证照和报价单也可能比正文更敏感。

例如，制作合同培训案例时可以保留“甲方、乙方、履约节点、违约责任”的逻辑，用稳定代指让同一主体在多份材料中保持一致；若对外公开，则可对无需展示的身份字段、签名与印章区域采用涂黑。数字签名或认证状态属于另一类 PDF 对象，修改前应先确认是否允许生成派生副本，不能把处理签名外观等同于移除或验证数字签名。

2. 银行流水、财务与审计材料

银行流水、审计底稿、发票附件和尽调资料常含户名、账号或银行卡号、开户机构、手机号、交易对手、摘要、金额、日期、发票代码、统一社会信用代码和内部项目号。表格里同一字段会跨页、跨列出现，页眉页脚还可能重复账户信息；一笔看似普通的金额，加上日期、机构和备注，也可能重新指向特定交易。

如果收件人只需验证趋势，可以选择稳定代指，并根据分析目的评估金额数值偏移；统一加减偏向保留差额，统一乘除偏向保留比例。若审计程序必须核对原始金额，就不应为了“看起来更安全”随意改数，而应依授权范围最小化其他字段。任何数值变换都要复核负数、小数、币种、单位、合计和比例，避免破坏财务语义。

3. 简历与人事材料

简历共享给用人部门、面试官或外部招聘服务时，常见字段包括姓名、手机号、邮箱、身份证号、住址、照片、生日、现单位、学校、社交主页、证书编号和紧急联系人。姓名被替换后，照片、邮箱前缀、个人主页链接或“某年某校某奖项”的组合仍可能完成再识别，因此要从“单字段清单”升级为“上下文组合检查”。

匿名初筛可用稳定代指保留同一候选人在多页附件中的一致关系；只允许联系候选人的角色则可能需要保留手机号而处理其他信息。处理前应先建立“接收角色—任务目的—必须保留字段”矩阵，不要把所有简历都套用同一套删除范围。

4. 医疗、政务与招投标材料

病历、检查单、政务申报材料、营业执照与投标文件经常混合文字、扫描页、表格、证照图片、签名印章和附件。需要检查姓名、身份证号、手机号、地址、就诊号或业务编号、机构、日期、金额、统一社会信用代码、法人签名、医师签名、公章、项目名称和未公开技术条款。病例中“年龄、科室、罕见诊断、就诊日期”的组合，投标文件中“项目名、报价、人员履历”的组合，都可能比一个号码更容易锁定主体。

此类材料通常风险较高：逐页复核之外，还应由熟悉业务的人进行第二次复核；政务公开或招标披露范围应以有权部门确认的口径为准。脱敏工具帮助执行字段处理，不代替披露决定，也不自动形成合规结论。

第一步：保留原件，建立授权工作副本

先把原始 PDF 设为只读或放入受控目录，不在唯一原件上直接操作。为工作副本建立可追踪名称，例如 项目代号_材料类型_原始_20260802.pdf、项目代号_材料类型_脱敏待复核_v01.pdf、项目代号_材料类型_外发_已验收_v02.pdf。名称里不要继续写真实姓名、身份证号或案件敏感描述，否则文件名本身就成为泄露点。

同时记录来源、文件哈希或其他完整性标识、处理人、授权人、收件人、用途、字段范围和截止时间。只有在确有处理授权、允许生成派生副本时才继续。原件、工作副本、导出件和验收记录分目录保存；处理账户只获得完成任务所需的最小权限。

以下情况应暂停，而不是尝试“想办法打开”：

• 加密或权限受限： 不知道密码、没有所有者授权，或文件明确禁止当前操作时，向文件所有者索取已授权的可处理副本；本文不提供密码或访问控制绕过方法。
• 数字签名或认证签名： 任何改动都可能改变签名状态。保留已签原件，请签署方或所有者提供未签源件、授权副本，或明确允许的派生流程；不要把页面上的签名图像与数字签名状态混为一谈。
• 文件损坏： 页面缺失、对象报错、无法稳定打开或导出时，先向来源方索取完整文件或从受控源应用重新导出，避免在不完整内容上做“成功”判断。
• 格式不受支持： 当前桌面端已验证范围包括文字型 PDF、扫描型 PDF 和图片。遇到特殊 PDF 封装或导入失败，应从可信源应用生成新的受控 PDF，并重新检查页数、附件与签名状态，不能假设转换没有改变内容。
• 法律或业务限制不清： 涉密、司法封存、医疗授权、招投标保密或档案管理要求不明确时，先由资料负责人确认能否复制、脱敏与外发。

第二步：诊断 PDF 类型，而不是直接点“开始”

在受控环境中用阅读器做三个快速测试：能否选择一行文字、能否搜索一个明确存在的词、放大后文字边缘是字体轮廓还是像素。再查看页缩略图，判断是否所有页面结构一致。

类型	典型信号	主要风险	处理重点
文字型 PDF	文字可选择、搜索命中稳定	可见文字处理后仍需防复制或提取；特殊字体可能错位	规则与 NER 候选、逐项复核、结果输出及转制后文本反查
扫描型 PDF	页面像照片，无法直接选择文字	OCR 漏字、低清、倾斜、手写内容、章印覆盖	检查识别结果，逐页看图，图片区域手动框选
混合型 PDF	部分页可搜索，部分页只有图；或图像上叠有 OCR 层	只检查其中一层会遗漏，搜索结果与视觉位置可能不一致	文本候选与页面图像双轨复核，结果输出及转制后再做 OCR
图片丰富型 PDF	证照、头像、截图、图表、签名印章很多	敏感信息直接写在像素中，实体识别未必覆盖	逐图检查，按区域框选，并检查图注和相邻文本

“能搜索”不证明是纯文字型，“不能搜索”也不证明页面没有隐藏 OCR 层。有的 PDF 同时含扫描图和不可见文本，有的页面是文字、附件却是扫描件。诊断结论要按页记录，不能只看第一页。

第三步：建立字段策略与验收样本

先定义收件人真正需要什么，再把字段分成三类：必须处理、允许保留、需要人工判断。固定格式字段可优先启用正则规则，例如身份证号、手机号、邮箱、银行卡号或账号、统一社会信用代码、合同编号、司法案号、金额和日期；姓名、详细地址、单位或机构等依赖上下文的实体，可使用 AI/NER 生成候选。组织特有的项目号、客户简称、产品代号或特殊证照格式可用自定义规则或黑名单补充，必须保留的常用词可用白名单保护。

预制规则有格式和引导词条件，不等于任意数字都会命中。例如账号可能依赖“账号、账户号、银行账号”等上下文，统一社会信用代码也有字符结构要求。先用一组代表性页面试跑：包括正文、页眉页脚、表格、印章覆盖、低清扫描和附件首页。记录每类字段的漏报与误报，再决定是否扩展规则；不要一次启用所有类别后，仅凭黑块数量判断效果。

高风险字段应采用双人复核。第一人核对候选、逐页补标并记录异常；第二人拿到字段策略和外发副本，从收件人视角反查，而不是只重复看第一人的标记。涉及身份证号、账户、签名印章、未成年人信息、病历身份、未公开报价或关键合同条款时，不宜只做低比例抽查。

第四步：在桌面端导入并生成候选

进入脱敏卫士的“信息脱敏任务”，选择中文及适用规则，导入已授权的工作副本。桌面端支持文字型 PDF、扫描型 PDF 和图片；多文件可进入批量流程，但可稳定处理的规模取决于终端配置与可用资源，不能把“可批量导入”理解成任意规模都能一次完成。

按本次用途启用实体类型与规则：结构化号码交给正则生成可解释候选，姓名、地址、机构等交给 AI/NER 识别；再加载已审批的自定义规则、黑名单和白名单。系统记录的命中来源有助于复核者判断某项来自规则还是模型。这里的输出只是“待处理清单”，不是自动通过的最终结论。

对关联合同、成套案卷或多份简历，需要在多文件之间保留人物和机构关系时，可使用一致的混淆代指与映射。批量策略应先在小样本上校准，再分批运行并记录每批页数、文件数、异常与复核人，避免单次任务过大后难以定位失败页面。

第五步：同时复核文字、OCR 结果与页面图像

先在脱敏项目清单中处理候选。遇到误报，关闭不需要处理的项目，或将必须保留的词加入白名单；遇到漏报，划词补充，高频漏项再沉淀为自定义规则或黑名单。对扫描页、证照、头像、二维码旁文字、手写签名、印章、表格截图等像素内容，逐页检查并手动框选自定义区域。

复核时至少走完三遍：第一遍按脱敏列表逐项确认；第二遍按页面从左上到右下检查，特别看页眉、页脚、边缘、表格跨页处和空白背页；第三遍按“人物—联系方式—证件—账户—机构—编号—金额日期—签名印章—商业条款”类别反查。不要因为签名或印章视觉上明显，就推断工具能自动识别其法律属性；当前可靠做法是把需要隐藏的外观区域纳入人工框选，并在额外工具中检查数字签名状态。

第六步：单独检查 PDF 结构与隐藏对象

内容脱敏完成前，应建立一张对象清单。脱敏卫士有证据支持的是文字内容、扫描 PDF 与图片的处理、候选复核和图片区域框选；没有证据表明它会自动清除 PDF 中的所有结构对象。下表中的“额外检查”不是可选装饰，而是外发验收的一部分。

对象	在脱敏卫士中的处理口径	还要做什么
可见文字	规则/NER 生成候选，人工取消误报与补标，再按所选方式输出	搜索、选择、复制粘贴和文本提取反查
OCR 文本层	扫描型 PDF 可进入处理流程，但识别仍受画质与版面影响	检查图像与识别结果是否一致；对输出结果及转制后的最终 PDF 用独立 OCR 反查
页面图片、头像、截图	逐页检查并手动框选自定义区域	放大查看边缘；对输出图片及转制后的最终 PDF 重新 OCR
手写签名、印章外观	作为图片区域人工判断和框选	区分外观与数字签名对象；确认收件人是否需要保留章形或签署事实
批注、评论、图形标记	不保证自动清除	在源应用或专业 PDF 工具中列出、展开、删除或按用途保留，并重新保存检查
附件与嵌入文件	不保证自动清除	打开附件面板逐个盘点；必要时分别脱敏，或从转制后的最终 PDF 移除
表单字段	不保证自动清除字段值、默认值或脚本	在 PDF 工具中检查字段、提交动作和隐藏值；必要时从源应用生成无表单副本
书签与页面缩略图	不保证自动处理书签标题或隐藏页面线索	检查书签文字、目标页、全部页缩略图和异常空白页
链接与动作	不保证自动清除 URL、邮件地址或跳转动作	检查链接目标、悬停地址和页面动作，移除不需要的外部指向
文档属性与元数据	不保证自动清除作者、标题、主题、关键词或自定义属性	使用源应用或 PDF 工具检查并清理；保存后再次查看属性
数字签名、认证与证书	不负责判断签名有效性，也不能把签名图片处理等同于签名对象处理	保留原签文件，按签署流程取得授权副本；在 PDF 工具中查看签名状态

如果 PDF 工具显示还有隐藏图层、不可见对象、嵌入文件或脚本，也应按组织规则处理。任何外部清理或重新打印、重新导出都可能改变页面、字体、链接、表单或签名状态，所以完成结构处理后必须回到最终文件重新做整套内容验收。

第七步：选择输出方式，按实际形态保存结果

脱敏卫士提供涂黑、星号遮盖和混淆代指三种主要方式。涂黑适合外发或公开展示；星号适合在授权场景下保留部分前后字符，便于人工核对；混淆代指使用“<人物1>”“<单位1>”等稳定标记，适合保留角色与文档结构，供内部分析或在受控流程中交给 AI。选择“涂黑”是产品处理方式，不等于在其他编辑器里随手画普通矩形。

需要跨文件阅读时，稳定代指有助于保持同一人物、机构的对应关系；需要未来还原时，可使用任务记录关联的还原能力。所有任务都会形成记录，映射表是可读文本，也包含原文与代指的对应关系，敏感程度不低于原件。谁能查看历史任务、执行还原、导出映射表或删除任务，应由组织明确；映射表不得与脱敏结果一起无控制外发。

当前知识库明确的结果导出形态包括 Word、文本、复制结果、图片导出或涂色遮罩；批量任务还可统一导出供 AI 处理的 Markdown。知识库没有确认原生 PDF-to-PDF 导出，因此不能把“导入 PDF”写成“脱敏卫士直接导出最终 PDF”。

业务必须交付 PDF 时，把转制列为脱敏卫士之外的独立步骤：用组织批准的源应用或 PDF 工具，将已复核结果生成 PDF，并记录工具、版本与转换时间。转制会重构文本层、字体、图片或元数据，因此产物是新的待验收对象；用 PDF 工具处理结构对象后，重新执行下一步全部测试。产品任务记录可支持追踪，但保存周期、删除、权限、加密和审计仍按实际部署确认。

第八步：双阅读器反向验收

验收对象是经批准工具转制并完成结构处理的最终 PDF，不是产品预览或尚未转制的结果。在全新会话中用两款独立阅读器打开，检查页数、方向、字体、图片、表格、黑条、签名印章区域、书签和链接。显示不一致时暂停外发，定位字体、透明度、图层或转换问题。

接着从“已知答案”反向攻击最终文件：

1. 搜索原姓名、身份证号末四位、手机号片段、合同号、机构简称和项目代号；同义词、空格或短横线变体也要查。
2. 鼠标选择脱敏区域及其前后文字，复制到纯文本编辑器，确认没有带出原值。
3. 用独立文本提取工具导出全文，比较是否仍含原字段；不要只看阅读器的“无搜索结果”。
4. 对文字页和扫描页重新做 OCR，尤其检查黑条边缘、印章覆盖、倾斜表格和低清页面。
5. 查看文档属性和自定义元数据，确认作者、标题、主题、关键词、文件名等没有泄露。
6. 展开批注、附件、嵌入文件、表单、书签和链接面板，逐项核对预期数量与内容。
7. 查看数字签名或认证状态并与既定派生流程比对；不要自行断言“签名仍有效”或“已自动移除”。
8. 让第二位复核者依据字段策略检查高风险页面，并把通过项、发现项、返工版本和最终批准人写入验收记录。

双阅读器一致、搜索无敏感命中，只能证明已执行这些测试，不能据此推导出超出约定工具链和测试范围的恢复性结论。最终结论应写成“在约定范围和测试方法下通过验收”，同时保留工具版本、测试时间和例外项。

按材料与风险设置验收强度

材料	典型高风险内容	最低内容检查	结构检查	复核要求
普通内部合同副本	联系方式、合同号、非必要条款	全文规则/NER 候选复核，逐页检查	属性、批注、附件、链接	一人处理，一人抽查关键字段
外发法律或招投标材料	身份证号、账户、签名印章、报价、证照	全文逐页与类别反查	全部结构对象与签名状态	双人全量复核高风险字段
银行流水或审计底稿	账号、交易对手、金额、摘要、日期	表格跨页检查，核对合计与数值语义	附件、属性、嵌入表单	业务复核者参与，关键字段双审
简历或人事材料	身份证号、联系方式、照片、组合识别信息	按接收角色核对保留与处理范围	链接、附件、属性	外部共享时对身份字段双审
病历、政务或公开材料	病历身份、未成年人信息、证照、项目秘密	逐页全量检查，扫描页重新 OCR	全部结构对象、隐藏页与附件	业务负责人确认披露范围并双审

“低风险”也不是免检。风险分级只决定复核深度、人员与证据要求，不取消结果输出后的检查；需要 PDF 时，更不能取消转制后针对最终 PDF 的搜索、复制和结构检查。

常见故障怎么排查

扫描太差、页面旋转或倾斜

先确认源扫描是否完整，再从来源方获取更清晰版本。若只能处理现件，可在受控工具中校正方向、去倾斜或提高可读性，保留转换前后版本并核对页数。低清页不要仅依赖候选列表，应放大逐页检查，并对输出图片及转制后的最终 PDF 重新 OCR；处理结果无法可靠辨认时应暂停外发。

罕见字体、表格或印章压住文字

罕见字体可能导致选择位置、替换宽度或结果布局异常；表格可能把一个字段拆成多个文本片段；印章与正文重叠会同时影响文字识别和图像判断。分别检查文本层与页面图像，对拆分字段逐段补标，对签名印章区域手动框选。需要 PDF 时，在转制后比较两款阅读器，核对列宽、换行、合计、页码和遮挡边界。

漏报、误报反复出现

先看命中来源和规则条件。误报可关闭对应项目，稳定保留词可加入白名单；漏报可划词补充，高频特例再进入自定义规则或黑名单。每次调整都用包含正例、反例、页眉页脚和表格的样本回归，避免修掉一个误报又放进新的漏报。

大批量处理卡顿或结果难以复核

批量能力不等于没有资源上限。先用小样本校准，再按文件类型、页数或风险拆批；每批记录输入清单、完成状态、异常页与输出版本。同一实体需要跨文件一致时，使用稳定代指并保护映射关系。若终端资源不足或任务失败，应缩小批次重跑，不把缺少输出的文件当作已处理。

结果输出或 PDF 转制失败

保留失败记录，不覆盖可打开版本。产品输出失败时检查目录权限、磁盘、文件名和源文件，再用单文件定位；PDF 转制失败时保留已复核结果，单独排查转换工具。转制成功仍要核对页数、字体、图片、表格和链接，并重做反向验收。

签名状态发生变化

先区分手写签名图片、普通电子签名外观与数字签名或认证签名。任何内容修改都可能影响后者。暂停外发，保留签署原件，交由文件所有者或签署流程负责人确认是使用未签源件、生成授权派生副本，还是完成审批后重签。脱敏卫士用于处理内容，不负责自动判断签名有效性。

外发前一分钟清单

• [ ] 已确认收件人、用途、授权和最小披露范围。
• [ ] 原件只读保存，工作副本和最终副本命名清楚且文件名不泄密。
• [ ] 已按页判断文字、扫描、混合或图片型，并记录异常页。
• [ ] 正则、NER、自定义规则、黑白名单与代表性样本已经校准。
• [ ] 误报已取消，漏报已补标，图片、签名和印章区域已人工检查。
• [ ] 批注、附件、嵌入文件、表单、书签、链接、属性和数字签名状态已用额外工具检查。
• [ ] 已按实际支持形态保存 Word、文本、复制、图片、涂色遮罩或批量 Markdown 结果；未暗示原生 PDF-to-PDF 导出。
• [ ] 如需 PDF，已用经批准的源应用/PDF 工具转制，且中间件、工具版本和转换时间有记录。
• [ ] 转制后的最终 PDF 在两款阅读器中渲染一致，搜索、复制、文本提取、重新 OCR 与结构对象检查均完成。
• [ ] 高风险字段已由第二人复核，验收记录写明工具版本、发现项与批准人。
• [ ] 临时扫描件、转换件和失败导出已按组织留存策略安全处置，不遗留在下载目录、共享盘或聊天窗口。

常见问题

1. 在 PDF 上画黑色矩形后，为什么搜索还能搜到原文？

因为普通矩形可能只是批注或覆盖层，底层文字对象没有被处理。应把该字段纳入正式脱敏流程，检查产品实际输出；如需 PDF，再用批准工具转制，并对最终 PDF 重新搜索、复制粘贴和提取文本。即使页面上看不到原文，也要检查 OCR 层、批注和附件。

2. 扫描 PDF 没有可选择文字，还需要检查文本层吗？

需要。有些扫描件带不可见 OCR 层，有些是纯图片，还有些页面混合两者。先按页诊断；在脱敏卫士中同时检查识别结果与页面图像，框选像素中的敏感区域；最终副本再用独立 OCR 反查。

3. 脱敏卫士会自动清除元数据、附件和批注吗？

当前产品证据不支持这样的承诺。应使用源应用或专业 PDF 工具单独检查文档属性、批注、附件、嵌入文件、表单、书签和链接，处理后再对最终文件重做内容与结构验收。

4. 签名和印章能不能直接框选处理？

需要隐藏的签名或印章外观可以作为图片区域人工检查和框选，但这不等于处理了数字签名对象，也不说明签名状态有效或无效。遇到已签名、已认证文件，应保留原件并按授权的派生、作废或重签流程办理。

5. 涂黑、星号和混淆代指怎么选？

公开或外发通常偏向涂黑；需要保留少量字符供授权人员核对时可用星号；需要保留人物、机构和上下文关系，供内部分析或后续受控还原时可用稳定代指。无论选择哪一种，结果输出前都要人工复核；如需最终 PDF，转制后还要执行全套反向验收。

6. 最终 PDF 搜索不到敏感词，是否就可以发送？

还不够。还要测试选择与复制、全文提取、独立 OCR、文档属性、批注、附件、表单、书签、链接、签名状态，并在第二款阅读器中检查渲染。高风险材料还需要第二位复核者确认；发送前只使用已经完成验收并批准的最终版本。

PDF 脱敏不是一个按钮，而是一套“授权副本—类型诊断—候选识别—人工复核—图片处理—实际形态输出—批准工具转制 PDF—结构清理—反向验收”的闭环。把脱敏卫士用于它已经验证的内容处理能力，把最终 PDF 的生成和结构对象检查交给适当的源应用或 PDF 工具，再用可复现的验收记录证明检查范围，才能让外发决定建立在证据上，而不是建立在黑条的视觉印象上。

下一步： 可以先查看脱敏卫士支持的文件类型、识别与复核能力，再使用虚构或已获授权的非敏感 PDF 在线体验。真实敏感材料应使用桌面端在本机处理，并按本文清单检查最终 PDF 结构。

相关阅读

• 为什么仅靠 PDF 遮盖工具可能留下泄露风险？
• 为什么黑色记号笔和黑框不等于真正脱敏？
• PDF 元数据怎么删除？