Barrera de eliminación de datos personales
Antes de que el texto del usuario llegue a un modelo, a un registro o a una tabla de analítica, deberías quitar la información de identificación personal (PII). Para un producto centrado en la privacidad no es un pulido opcional: es la barrera que mantiene los correos, teléfonos y números de tarjeta fuera de lugares donde nunca deben acabar. La técnica es la búsqueda de patrones con expresiones regulares, sustituyendo cada coincidencia por un marcador con su tipo.
Tres patrones comunes te llevan casi hasta el final:
- Correo: algo como
name@host.tld-> sustituir por[EMAIL]. - Teléfono: un número de 10 dígitos, quizá agrupado con espacios, guiones, puntos o un prefijo de país delante ->
[PHONE]. - Tarjeta: 16 dígitos en cuatro grupos de cuatro, separados opcionalmente por espacios o guiones ->
[CARD].
Enmascara primero el patrón más largo y específico (la tarjeta de 16 dígitos) para que un patrón de teléfono más voraz no pueda comerse parte de ella. Mientras sustituyes, registra qué tipos encontraste, para que quien llama pueda auditar lo que se limpió. El texto limpio vuelve intacto con una lista vacía.
import re
EMAIL = re.compile(r"\b[A-Za-z0-9._%+\-]+@[A-Za-z0-9.\-]+\.[A-Za-z]{2,}\b")Ejecutarías esto a la entrada de cualquier modelo. Por ejemplo, antes de pasar texto a un motor en el dispositivo harías safe, _ = redact(user_text) y enviarías safe, nunca la cadena original. La llamada al modelo en sí es ilustrativa; el eliminador es la parte que construyes y se evalúa. Conoce sus límites antes de confiar en él: los patrones de dígitos dan falsos positivos (un número de pedido como "#2026071234" parece un teléfono) y se pierden lo que no describen (nombres, direcciones postales, números de cuenta escritos con espacios). La eliminación por regex es una primera pasada barata; un sistema real añade un reconocedor de entidades y, sobre todo, envía al modelo solo los campos que la tarea necesita.
Construye redact(text). Devuelve una tupla (masked_text, types), donde masked_text tiene cada correo, teléfono y tarjeta sustituidos por su marcador, y types es una lista ordenada de los tipos de entidad distintos encontrados (de entre "card", "email", "phone"). El texto limpio vuelve sin cambios con [].
Escribe redact(text), que devuelva (masked_text, types). Sustituye cada correo por [EMAIL], cada número de teléfono por [PHONE] y cada tarjeta de 16 dígitos por [CARD]; types es la lista ordenada de los tipos distintos encontrados entre "card", "email", "phone". Una cadena con un correo y un teléfono devuelve los dos enmascarados y ['email', 'phone']; el texto limpio vuelve sin cambios con []; una mezcla distinta de datos personales da un conjunto de tipos distinto.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.