课程大纲 第 89 课,共 156 课 · 私密 AI
私密 AI

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。
轮到你了

编写一个函数 redact(text, names=()),返回一个新字符串,其中:

  1. 每个电子邮件地址都被替换成 [EMAIL];
  2. 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;
  3. 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”)。
先替换电子邮件,再替换电话,最后替换名字。文本里的其他一切都必须保持完全不变。运行 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"])。

发现这节课有问题?报告它 · 就这节课提问

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。