
这个工具解决什么问题
做外包、做 HR、做销售的都遇到过这个两难。手上有一份客户名单或者一份合同草稿,想让 AI 帮忙整理成表格、挑出条款里前后矛盾的地方、或者把一段生硬的措辞改顺。可这份材料里带着客户的手机号、身份证号、银行卡号,还有公司系统的接口密钥。直接粘过去,等于把这些信息交给了别人的服务器,事后能不能删干净谁也说不准;不粘,那就只能自己一行行手动改——把 138 开头的十一位数字挨个改成星号,改到第三行就开始眼花,还容易漏掉某个用横线分隔写法的号码。更麻烦的是改完之后你自己也认不出谁是谁了,AI 回答里说「第二位联系人」,你根本对不上原文里的哪个名字。这个工具就是干这一件苦力活:在本机把九类敏感信息找出来,换成 [手机号#1] 这样的占位符,同一个人的号码前后一致;AI 回答完之后,把回答粘回右边的框,点一下还原,占位符就换回了真实内容。
- 原来的做法:手动一个个改成星号,改到眼花还容易漏;漏了一个就等于没脱敏;改完自己也认不出谁是谁,AI 说「第二位联系人」对不上原文
- 用这个工具:双击程序 → 把材料贴进左边(或打开 txt)→ 点「脱敏 →」→ 右边就是打码后的文本,直接复制给 AI;AI 回答完把回答粘回右边,点「← 还原」
- 省下来的:一份两千字的名单从「改二十分钟还怕漏」变成两秒钟出结果,而且每一处都标了类别和编号,事后能对回原文;九类信息一次性覆盖,不用自己写正则
技术实现
程序分三层,边界很清楚:core.py 只有纯函数(扫描、打码、还原、统计),gui.py 只负责把结果摆进窗口,selftest.py 与 tests/gui_smoke.py 分别验证逻辑层与界面层。这样拆的原因很实际——脱敏规则是最常改的部分(多认一种号码、少认一种号码),而窗口布局几乎不动;规则改动只要跑一遍无界面的自测就能验证对错,不必每次开窗口点按钮。整套识别不依赖任何第三方库,也不需要下载模型:九类信息用正则先筛形状,再用校验算法筛真伪(身份证的 ISO 7064 MOD 11-2 校验位、银行卡的 Luhn、IPv4 的四段范围、姓名的常见姓氏表),两级筛完误报就压下去了。最关键的一处设计是打码方式:不是逐条规则做字符串替换,而是先把全文的所有命中收集成「区间列表」,消解重叠、统一编号,最后按位置一次性拼接输出。
- 先收集区间再一次性拼接,绝不逐条 re.sub:最直觉的写法是对每条规则依次 re.sub,这在脱敏工具里是错的:后一条规则会去匹配前一条刚生成的占位符——[手机号#1] 里有一个数字 1,很可能被某条宽松的数字规则再吃一遍;而且每次替换都会让后面所有命中位置偏移,改一处牵连一片。这里的做法是 scan() 先把全文所有命中收集成 (start, end, rule) 区间,mask_text() 再按位置排序、一次拼接输出,原文的偏移量在整个过程中保持有效。自测里专门有一条断言盯着这个:输出里不能出现星号(占位符模式),原文自带的 [手机号#1] 字样也要保持原样。
- 正则只筛形状,校验算法再筛真伪:「110105194912310021」和「11010519491231002X」长得一模一样,只有后者是真身份证——第 18 位是按前 17 位算出来的校验码(GB 11643,ISO 7064 MOD 11-2:前 17 位分别乘 7/9/10/5/8/4/2/1/6/3/7/9/10/5/8/4/2,求和后模 11 查对照表)。银行卡用 Luhn:从最右一位起隔位翻倍、大于 9 减 9、总和能被 10 整除。IPv4 校验四段都在 0–255 且不允许前导零,999.1.1.1 和 010.1.1.1 都会被排除。姓名多加一层常见姓氏表,因为「联系人:张三先生」这种写法里光靠长度会多吃掉一个「先」字。
- 重叠按优先级 + 长度消解,保证一段只打一次码:一段 18 位数字同时符合身份证和银行卡的「形状」,两条规则都会命中同一个区间。如果都打码,就会出现一段文字被打两遍、编号重复的乱象。消解办法是把所有候选按「优先级升序、同优先级按长度降序」排序后贪心占位:身份证有校验位、证据更强,优先级 10;密钥 15;银行卡 20;手机号 30,依此类推。占位用二分查找维护已占用区间,避免 O(n²) 的两两比对。这里踩过一个坑:占位结束后不能按 (start, end) 反查哪些命中被接受——两条规则命中同一段时坐标完全一样,反查会把被丢弃的那条又捞回来。改成直接记录被接受的对象本身。
- 同一实体复用同一编号,AI 才读得懂指代:同一个人在三段文字里出现三次,如果生成 [手机号#1] [手机号#2] [手机号#3],AI 会以为是三个人,改写出来的东西就全乱了。所以编号的键是「规则 + 归一化后的原文」,归一化会去掉空格和横线、字母转大写,于是「138-1234-5678」和「13812345678」算同一个实体、共用一个编号。副作用是还原时会把两种写法统一成第一次出现的写法,这一点在页面和文档里都写明了。
- 还原用正则整段匹配,不做逐个 str.replace:[手机号#1] 是 [手机号#12] 的前缀,逐个 replace 会把 #12 拆成「原文 + 2」,这是字符串替换的经典陷阱。还原走的是 _TOKEN_RE = \[([^\[\]\n]{1,10})#(\d{1,4})\],一次扫完整段文本、整段匹配编号再查映射表,天然不会串号。自测里专门构造了只有 #1 与 #12 两条映射的用例钉这一条。
- 扫描放后台线程,结果经 queue 回主线程:tkinter 不是线程安全的,在工作线程里直接动控件会随机崩或花屏,而且这种崩溃很难复现。十万字文本的扫描实测在 0.1 秒量级,但只要用户粘的是一份几十万字导出的聊天记录就不一样了。所以扫描统一走 threading.Thread,算完把结果 put 进 queue,主线程用 after(60) 轮询取出再更新控件;执行期间三个按钮统一置灰,不会出现点了没反应、用户又点一次的情况。
- 星号模式按类别分别设计,而不是统一「留头留尾」:统一保留前 3 后 4 在手机号上没问题,套到邮箱、姓名、车牌上就很怪:邮箱该保留的是域名结构(z***@***.com),姓名只该留姓(王*),车牌短到多留一位就等于告诉别人是哪台车(京A***45),QQ 号留六位等于没打码(88****55)。所以星号模式按规则分支处理,手机号和卡号还要先去掉分隔符再算星号,否则「6222 0212 3456 7890 128」打出来星号中间会莫名多一个空格。
技术栈:Python 3.12(运行期只用标准库)、tkinter 图形界面、re 逐类正则 + 校验算法(ISO 7064 MOD 11-2 / Luhn)、区间重叠消解 + 占位符编号复用、PyInstaller 单文件打包(--noconsole)
已知局限:识别基于正则 + 校验算法,不是语义理解:写在正文里的「张三住在朝阳区」这类没有标签的人名不会被识别;手写体、图片里的号码、扫描件完全无能为力(本工具只处理纯文本)。反过来,极端情况下会有误报——一串恰好满足 Luhn 校验的 16 位订单号会被当成卡号打码,宁可多打不可漏打。占位符模式可还原,星号模式与全遮挡模式不可还原;还原只在本程序本次运行的内存映射或手动载入的映射文件有效,关掉程序又不保存映射就还原不了。同一号码的不同写法(带空格与不带)还原后会被统一成第一次出现的写法。文本上限建议在 50 万字以内,更大的文本扫描会明显变慢。
同类软件对照
下面几款都是公开可查的同类软件,定位各不相同。这里只说明各自的定位,以及本工具在其中的位置,方便你判断哪一类更契合自己的用法。
| 软件 | 它的定位 | 本工具的定位 |
|---|---|---|
| Microsoft Presidio | 开源的个人身份信息识别与匿名化框架,提供分析器与匿名化器两套 Python 接口,规则与模型都可扩展 | Presidio 面向开发者集成进自己的流水线,要装 Python 环境、拉模型、写代码调用。本工具是给不写代码的人用的:解压双击、粘文本、点按钮,走的也是正则 + 校验算法这条确定性的路子,不下载模型。 |
| 各类在线敏感信息检测网页 | 浏览器里粘贴文本、点检测,返回高亮结果,不用装软件 | 在线工具的前提是把文本上传到对方服务器——而这份文本正是要脱敏的那份,顺序上就有点别扭。本工具全程在本机跑,断网也能用,处理前后文本都不出这台电脑。 |
| 文本编辑器的查找替换 | Word、Notepad++、VS Code 都支持正则查找替换,写几条规则也能批量改号码 | 查找替换是一次性的:改完就认不出谁是谁,也没法还原,换个文件还得重写规则。本工具把九类规则内置好,改完保留编号对应关系,AI 回答完能一键换回原文。 |
| 企业级数据防泄漏(DLP)产品 | 面向组织的终端与网关管控方案,做外发拦截、审计留痕与集中策略下发 | 那类方案解决的是「不许发出去」,部署在组织层面,需要管理员统一配置。本工具解决的是「我要发出去,但先把不该露的换掉」,单机单文件、打开就能用,不需要任何服务端。 |
以上仅作定位对照,各软件的可用性、授权方式与功能范围请以其官方页面为准。
操作教程
- 解压后双击「AI投喂前脱敏助手.exe」
不需要安装 Python 或任何运行库。也可以把一份 txt 文件直接拖到 exe 图标上启动,文件会自动读入。
预期结果:窗口打开,左边是灰色的操作提示,右边也是提示,底部清单是空的 - 先点「载入示例」看一眼效果
示例文本是一份虚构的项目对接纪要,里面九类信息各出现一到两次,专门用来演示。看懂了再换成自己的材料。
预期结果:左边出现四百多字示例,点「脱敏 →」后右边变成满是 [手机号#1] 的文本,底部清单列出八到九行 - 把自己的材料放进左边的框
三种方式:点「打开文本文件…」选一个 txt / md / csv / json;在微信、Word、网页里复制后点「从剪贴板粘贴」;或者直接把文件拖到程序图标上。
预期结果:左上角显示文件名、编码和字数,例如「客户名单.txt · utf-8 · 2,341 字」 - 按需要勾掉不想识别的类别,再选打码方式
九条规则默认全开。如果这份材料里的 IP 地址本来就要给 AI 看,把「IP 地址」的勾去掉就行。打码方式默认「占位符(可还原)」;只是临时贴一段话、不需要还原时,选「星号(保留首尾)」更直观。
预期结果:顶部状态栏立刻显示「已启用 8 条识别规则(共 9 条)」 - 点中间的「脱敏 →」
扫描在本机完成,不联网。跑完右边就是可以发出去的文本,底部清单按类别列出「多少处、多少个不同实体、示例占位符」。
预期结果:状态栏显示「识别 15 处 / 9 类,风险偏高;右侧结果已可直接复制」 - 点「复制结果」,粘进任何 AI 对话框
复制的就是右边框里的全文。占位符是纯文本,任何模型都认识,不需要插件也不需要接口。
预期结果:粘贴后 AI 看到的是一份没有真实号码、但结构完整、同一个人编号一致的材料 - AI 回答完之后,把回答粘回右边,点「← 还原」
注意是粘到右边的结果框,不是左边的原文框。还原只对占位符模式有效,星号模式打掉的内容是换不回来的。
预期结果:状态栏显示「已还原 N 处占位符」,框里的 [姓名#1] 变回真实姓名 - 要留档就点「保存结果…」,要跨天接着用就点「保存映射…」
保存结果是带 BOM 的 UTF-8 文本,记事本打开不乱码。映射表是 json,里面存着占位符对应的原文,属于敏感文件,别放在共享目录里。
预期结果:保存成功弹出路径提示;下次启动点「读取映射…」载入同一份 json 就能继续还原
常见问题
技术实现与后续维护
程序按「逻辑 / 界面 / 自测」三层拆开,core.py 里没有一行窗口代码,gui.py 里没有一条识别规则。要加一类新信息(比如工号),只在 core.py 的 RULES 里加一条规则、在 selftest.py 里加几条断言,界面不用动;要调整界面布局,也不会碰到识别逻辑。运行环境只有一条要求:Windows 10/11 64 位,不需要装 Python、不需要装任何运行库,解压双击即可。每次改动后的验证顺序是固定的:先跑无界面的核心自测(84 项,覆盖校验算法、重叠消解、编号复用、三种打码样式、还原的边界情况、编码嗅探与十万字文本的性能),再跑界面冒烟(59 项,真窗口、真后台线程、真剪贴板、真文件读写,弹窗与文件选择框换成假的以免卡住),两项都过再重新打包。规则表是这个工具的全部价值所在,改它之前先想清楚「宁可多打还是宁可漏打」——现在整体的取向是宁可多打。
可扩展方向:
- 增加「自定义正则」入口:把公司内部工号、项目代号、内部域名这类专有格式写成一条规则存下来,下次直接用
- 增加「按段落批量处理」:选一个文件夹,把里面的 txt 全脱敏一遍并各导出一份结果与映射表,适合整理历史工单
- 把识别结果做成高亮预览:在原文上直接把命中的片段标底色,比对着右边的结果看更直观
- 增加「导出对照表」:把「占位符 ↔ 原文 ↔ 出现位置」导出成 csv,便于事后审计哪些内容被投喂过
- 接入 docx / xlsx:直接从 Word 段落和 Excel 单元格里取文本,省掉先另存为 txt 这一步
本工具免费提供使用,功能完整、不设限制。如果你需要在本工具基础上做功能调整、对接内部系统或长期维护,可以联系我们做二次开发。
需要其它功能?可以定制
这个工具只做一件事:想让 AI 帮你改合同、润色简历、核对表单,可材料里全是手机号、身份证号、银行卡号,一粘进对话框就等于把别人的个人信息交给了第三方服务。如果你的场景还需要别的处理,可以联系我们做二次开发,按你的实际数据格式和流程定制。
常见的定制需求:
- 按公司规范定制脱敏口径:某些字段要求整段删除而不是打码,某些字段要求保留后四位用于对账
- 把九类规则换成行业专用规则:病历号、保单号、车牌 VIN 码、快递单号等
- 与内部系统对接:脱敏完成后自动落到指定的共享目录,并按日期分文件夹归档
- 增加审批流:脱敏结果需要主管确认后才能导出,导出动作留一条本地日志
- 联系方式:邮箱/微信见站内「联系我们」页面,或在本文下方留言
- 定制说明:请附上你的数据样例(脱敏即可)和期望结果,方便快速评估工作量
- 交付形式:定制项目交付可执行程序,支持后续版本迭代与长期维护
使用说明与免责声明
- 本工具在本地运行,不联网、不上传任何数据到服务器。
- 涉及文件改写的功能,请在使用前备份原始文件。
- 软件完全免费,可自由使用与转发,请勿用于倒卖。
- 因误操作造成的数据问题请自行承担。
识别结果由正则表达式与校验算法给出,属于规则判定而非语义理解,存在漏识别与误报的可能。本工具是减少信息暴露的一道辅助工序,不构成任何合规保证;对外提交材料前请自行复核一遍,涉密或受监管的数据请遵循所在单位的规定。处理他人个人信息时,请确认你拥有相应授权。

