«Обезличить файл» на практике означает: получить на выходе документ того же типа, в котором нет персональных данных, но сохранены структура и смысл. Задача проще, чем кажется, если понимать три вещи: какие форматы поддерживаются, что именно меняется внутри и где находятся границы.
Список полный и проверяется тестами: TXT, DOCX, XLSX, CSV, PDF, PNG, JPG, JPEG, TIFF, TIF, BMP. Текстовые файлы читаются как текст, офисные — с сохранением структуры, таблицы — по ячейкам, PDF и изображения — через OCR.
Если файл не из списка, обработки не будет. Это лучше, чем молчаливая попытка разобрать неизвестный формат: результат такой попытки непредсказуем.
Внутри документа персональные данные ищутся как значения: ФИО, телефоны, адреса электронной почты, номера карт, ИНН, СНИЛС, паспортные данные, даты рождения, адреса. Дальше значения заменяются — на служебные метки или на обратимые токены. Текст вокруг остаётся на месте: заголовки, абзацы, таблицы сохраняют структуру.
Разница между режимами важна и для файлов. Обратимая замена оставляет возможность восстановить значение по токену — удобно, когда документ вернётся в работу. Необратимая — когда исходные значения не должны восстанавливаться.
Для сканов работает OCR: текст распознаётся, находки находятся в распознанном тексте. Здесь есть честная граница: OCR ошибается на плохом скане, рукописном тексте, сложной вёрстке. Поэтому результат стоит проверять — особенно если документ уйдёт наружу.
Ещё одна граница — биометрия. Фото в документе не распознаётся детектором как биометрические данные в юридическом смысле; обычная замена значений не делает изображение безопасным. Для биометрии нужен отдельный процесс.
Сведения о здоровье — специальная категория. В облачном профиле сервиса документ с такой категорией отклоняется: обработка в общем облачном контуре для такой категории не выполняется. Для медицинских документов нужен отдельный контур — это решение по категории, а не ограничение конкретного формата.
Проверка простая и её стоит делать всегда: открыть результат и посмотреть, остались ли прямые идентификаторы, не восстановить ли человека по оставшимся деталям, сохранилась ли структура документа. Полезно сохранить пример «до/после» — он пригодится при разборе инцидентов и при обучении сотрудников.
Если файлов много, важна и организационная часть: кто имеет доступ к исходникам, где хранятся результаты, ограничен ли срок хранения для обратимого режима. Техническая обработка занимает минуты; порядок вокруг неё — дольше, но именно он определяет, будет ли процедура воспроизводимой.
Если вы не уверены, что в документе есть персональные данные, начните с проверки: отчёт покажет находки по категориям. Это дешевле, чем обрабатывать вслепую, и полезнее, чем догадываться. После проверки выбирается режим замены — и только потом файл уходит в обработку.
Не является юридической консультацией. Проверяйте актуальную редакцию 152-ФЗ.