在它离开之前脱敏
为什么重要 有时你确实需要用云端 AI,或者需要和同事分享一张支持工单或一份日志文件。脱敏意味着先去掉个人信息,这样离开你设备的是有用的部分,而不是私密的部分。你将构建一个你真的可以用起来的小型脱敏工具。
黑色记号笔
在分享一份文件之前,人们过去常常用一支粗粗的黑色记号笔涂掉名字和号码。代码里的脱敏是同样的想法:找到个人信息,把它们换成一个像 [EMAIL] 这样的占位符,这样读者仍然知道那里曾经有某样东西,却不知道是什么。
脱敏:在文本被分享之前,用占位符替换掉其中的敏感部分。
个人数据:任何指向一个真实的人的东西,比如名字、电子邮件地址、电话号码或账号。
一个新工具:正则表达式
为了找到“任何看起来像电子邮件的东西”,我们需要一种描述文本形状的方法,而不是描述某一段确切的文本。这正是正则表达式(简称 regex)所做的事。Python 内置的 re 模块负责处理它们。
正则表达式:一种描述文本形状的小型模式语言。\d 表示“一个数字”,+ 表示“前面那个东西的一个或多个”,[A-Za-z] 表示“一个字母”。
下面是你今天唯一需要的几样东西:
| 片段 | 含义 | 匹配示例 |
|---|---|---|
\d | 一个数字 | 7 |
\s | 一个空格(或制表符,或换行) | |
[abc] | 里面的任意一个字符 | b |
+ | 前一个片段的一个或多个 | \d+ 匹配 2026 |
{6,} | 前一个片段的六个或更多 | \d{6,} 匹配 1234567 |
? | 前一个片段是可选的 | \+? 匹配一个加号或者什么都不匹配 |
\b | 一个单词边界(单词的开头或结尾) | \bAnn\b 会跳过“Annual” |
两个函数完成这项工作。re.sub(pattern, replacement, text) 返回一段新的文本,其中每一处匹配都被替换掉了。而且你可以传入一个函数来代替固定的替换内容:Python 会为每一处匹配调用它,并使用它返回的东西。这让你可以逐个匹配地做决定。
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
模式前面的 r"..." 是一个原始字符串:它告诉 Python 不要处理反斜杠,好让正则表达式看到它们。re.compile 把一个模式变成一个可以复用的对象;你也可以直接把模式字符串传给 re.sub。
棘手的那一个:电话号码
电话号码有许多种形状:+44 7700 900123、(555) 010-4477、555.010.9988。一个宽松的模式能把它们全部抓住,但它也会抓住像 2026-10-30 这样的日期。诀窍分两步:先宽松地匹配,然后在一个函数里数一数数字的个数。大多数完整的电话号码有 9 位或更多数字,而像这样的日期只有 8 位,所以在这一课里,我们用“9 位或更多数字”作为规则。如果一处匹配的数字太少,就原样返回它。真正的脱敏工具需要更加小心,因为有些国家使用更短的号码。
一个常见的误解
“脱敏能让文本变得匿名。”它去掉了明显的标识符,但上下文仍然可能把人暴露出来:“3 号病房唯一一位左撇子护士”没有指名任何人,却指向了一个人。脱敏降低了风险;它并没有消除风险。过度脱敏(把一个很长的订单号当作电话号码涂掉)是一种安全的错误。
用其他语言实现
JavaScript:同样的正则表达式也能用,而且 replace 也接受一个函数。
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:regexp 包里有 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
})
回顾
- 脱敏在文本离开你的设备之前,把个人信息换成占位符。
- 正则表达式描述文本的形状;
re.sub替换每一处匹配。 - 把一个函数传给
re.sub,能让你逐个匹配地做决定,比如通过数一数数字的个数。 - 脱敏能降低风险,但不能让文本变得匿名;上下文仍然可能识别出人。
编写一个函数 redact(text, names=()),返回一个新字符串,其中:
- 每个电子邮件地址都被替换成
[EMAIL]; - 每个电话号码都被替换成
[PHONE]。把这样的一段字符当作电话号码:以一个可选的+或(开头,然后是一个数字,接着是数字、空格、点、短横线或括号,以一个数字结尾,并且包含至少 9 个数字。数字更少的片段(像2026-10-30这样的日期、时间、价格)保持原样; names中的每个名字都被替换成[NAME],忽略大小写,但只作为一个完整的单词(名字Ann不能改变“Annual”)。
redact 两次必须和运行一次得到同样的结果。最后,打印 redact("Call Maya on +44 7700 900123 or maya@shopa.example", ["Maya"])。
这个练习即将开放
完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。
这个浏览器屏蔽了 learn.floati.life 的 Cookie,所以你在这里完成的课程无法按顺序打开。请允许这个网站使用 Cookie,然后重新加载。