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：
立即学习“Python免费学习笔记（深入）”；
- 先处理身份证、银行卡等强规则字段（长度固定、格式唯一）
- 再处理手机号、邮箱（注意邮箱@前后不能断开）
- 最后处理人名/公司名：用
for name in sensitive_names:循环替换，加边界符r'(? 防止“北京”匹配到“北京市”里重复脱敏 - 每次替换记录日志：原内容 → 脱敏后 → 所在行号，方便审计
四、生成脱敏文件并验证效果
输出保持原格式可读性，不是简单覆盖，而是生成新文件（如contract_v1_anonymized.txt）：
- 纯文本：直接写入，每行末尾保留换行符
- docx：新建文档，遍历原文段落，对每段调用脱敏函数后写入新段落
- pdf不直接改源文件（技术限制），输出脱敏文本+标注报告（含所有替换项列表）
- 必做校验：打开脱敏后文件，搜索“身份证”“账号”等关键词，确认无残留；抽样检查是否出现“138****1234”被错切成“138****12”+“34”
基本上就这些。脚本不复杂但容易忽略上下文保护和格式还原——比如合同里的“附件一：XXX营业执照复印件（加盖公章）”，其中“XXX”要脱敏，“加盖公章”不能动。把规则列清楚、测试用例多跑几份真实合同，就能稳稳上线。
