Lehrplan Lektion 89 von 156 · Private KI
Private KI

Zensieren, bevor es hinausgeht

Warum das wichtig istManchmal brauchst du eine Cloud AI, oder ein Support Ticket, oder eine Log Datei, die du mit einem Kollegen teilst. Redaktion bedeutet, zuerst die persönlichen Details zu entfernen, damit nur der nützliche Teil dein Gerät verlässt und nicht der private Teil. Du wirst einen kleinen Redaktor bauen, den du wirklich nutzen kannst.

Der schwarze Marker

Bevor Menschen ein Dokument teilten, gingen sie Namen und Zahlen mit einem dicken schwarzen Marker durch. Redaktion in Code ist die gleiche Idee: finde die persönlichen Teile und tausche sie gegen einen Platzhalter wie [EMAIL] aus, damit der Leser immer noch weiß, dass something da war, ohne zu lernen, was.

Redaction: Ersetzen von sensiblen Teilen eines Textes durch Platzhalter, bevor der Text geteilt wird.

Persönliche Daten: alles, was auf eine echte Person hinweist, wie zum Beispiel ein Name, eine E-Mail-Adresse, eine Telefonnummer oder eine Kontonummer.

Ein neues Werkzeug: reguläre Ausdrücke

Um "alles zu finden, was wie eine E-Mail aussieht", brauchen wir eine Möglichkeit, eine shape von Text zu beschreiben, nicht einen exakten Text. Das ist es, was ein regular expression (kurz regex) macht. Das integrierte re module von Python verarbeitet sie.

Regulärer Ausdruck: eine kleine Mustersprache zum Beschreiben der Form von Text. \d bedeutet "eine Ziffer", + bedeutet "eins oder mehr von dem davor" und [A-Za-z] bedeutet "ein Buchstabe".

Hier sind die einzigen Teile, die du heute brauchst:

digit
PieceBedeutetBeispiel für einen Treffer
\done 7
\sBereich (oder Tab, oder neue Zeile)
[abc]eines der Zeichen darinb
+one oder mehr des vorherigen Stücks\d+ entspricht 2026
{6,}sechs oder mehr der vorherigen Teile\d{6,} entspricht 1234567
?das vorherige Stück ist optional\+? entspricht einem Pluszeichen oder nichts
\ba Wortgrenze (Anfang oder Ende eines Wortes)\bAnn\b überspringt "Annual"

Zwei Funktionen erledigen die Arbeit. re.sub(pattern, replacement, text) gibt einen neuen Text zurück, wobei jeder Treffer ersetzt wird. Und anstatt eines festen Ersatzes kannst du eine function übergeben: Python ruft sie für jeden Treffer auf und verwendet das, was sie zurückgibt. Das lässt dich Treffer für Treffer entscheiden.

import re

EMAIL_RE = re.compile(r"[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}")
print(EMAIL_RE.sub("[EMAIL]", "Write to maya@shopa.example today"))
# Write to [EMAIL] today

def shout(match):
    return match.group(0).upper()   # group(0) is the matched text

print(re.sub(r"\bcat\b", shout, "cat and category"))
# CAT and category

Der r"..." vor dem Muster ist ein raw string: er sagt Python, dass es Backslashes unberührt lässt, damit die regex sie sieht. re.compile macht aus einem Muster ein wiederverwendbares Objekt; du kannst den Musterstring auch direkt an re.sub übergeben.

Das Schwierige: Telefonnummern

Telefonnummern kommen in vielen Formen vor: +44 7700 900123, (555) 010-4477, 555.010.9988. Ein lockeres Muster erfasst sie alle, aber es erfasst auch Daten wie 2026-10-30. Der Trick sind zwei Schritte: locker abgleichen, dann count the digits in einer Funktion zählen. Die meisten vollständigen Telefonnummern haben 9 oder mehr Ziffern, während ein Datum wie dieses 8 hat, also nutzen wir in dieser Lektion "9 oder mehr Ziffern" als unsere Regel. Wenn ein Treffer zu wenige Ziffern hat, gib ihn unverändert zurück. Echte Redaktoren brauchen mehr Sorgfalt, weil einige Länder kürzere Nummern verwenden.

Ein häufiges Missverständnis

"Schwärzung macht Text anonym." Sie entfernt die offensichtlichen Identifikatoren, aber der Kontext kann jemanden trotzdem verraten: "die einzige linkshändige Krankenschwester auf Station 3" nennt niemanden und zeigt dennoch auf eine Person. Schwärzung senkt das Risiko; sie entfernt es nicht. Übermäßige Schwärzung (das Ausblenden einer langen Bestellnummer als wäre sie eine Telefonnummer) ist die sichere Art von Fehler.

In anderen Sprachen

JavaScript: der gleiche regex funktioniert, und replace akzeptiert auch eine function.

const EMAIL = /[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}/g;
const PHONE = /\+?\(?\d[\d\s().-]{6,}\d/g;
function redact(text) {
  text = text.replace(EMAIL, "[EMAIL]");
  return text.replace(PHONE, m => (m.match(/\d/g).length >= 9 ? "[PHONE]" : m));
}

Go: das regexp Paket hat ReplaceAllStringFunc.

phone := regexp.MustCompile(`\+?\(?\d[\d\s().-]{6,}\d`)
out := phone.ReplaceAllStringFunc(text, func(m string) string {
    n := 0
    for _, c := range m { if c >= '0' && c <= '9' { n++ } }
    if n >= 9 { return "[PHONE]" }
    return m
})

Zusammenfassung

  • Redaktion ersetzt persönliche Details durch Platzhalter, bevor der Text dein Gerät verlässt.
  • Reguläre Ausdrücke beschreiben die Form von Text; re.sub ersetzt jede Übereinstimmung.
  • Eine Funktion an re.sub zu übergeben lässt dich Match für Match entscheiden, zum Beispiel durch Zählen von Ziffern.
  • Redaktion reduziert das Risiko, macht den Text aber nicht anonym; der Kontext kann Personen immer noch identifizieren.
Du bist dran

Schreibe eine Funktion redact(text, names=()), die einen neuen String zurückgibt, wo:

  1. jede E-Mail-Adresse wird durch [EMAIL] ersetzt;
  2. jede Telefonnummer wird durch [PHONE] ersetzt. Behandle jeden Durchgang als Telefonnummer, der mit einem optionalen + oder ( beginnt, dann eine Ziffer folgt, mit Ziffern, Leerzeichen, Punkten, Bindestrichen oder Klammern fortgesetzt wird, mit einer Ziffer endet und mindestens 9 Ziffern enthält. Durchgänge mit weniger Ziffern (Daten wie 2026-10-30, Zeiten, Preise) bleiben so, wie sie sind;
  3. jeder Name in names wird durch [NAME] ersetzt, wobei Groß- und Kleinschreibung ignoriert wird, aber nur als ganzes Wort (der Name Ann darf "Annual" nicht ändern).
Ersetze zuerst E-Mails, dann Telefonnummern, dann Namen. Alles andere im Text muss exakt gleich bleiben. Das Ausführen von redact zweimal muss das gleiche Ergebnis liefern wie das Ausführen einmal. Am Ende drucke redact("Call Maya on +44 7700 900123 or maya@shopa.example", ["Maya"]).

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.