Обезличивание документов

Текст можно просто вставить в форму. С документом так не выйдет: у файла есть структура — таблицы, колонтитулы, сноски, — и обезличивание обязано её сохранить. Иначе получатель сразу увидит, что документ прогоняли через скрипт, а половина реквизитов поехала.

Что именно убирается из документа

Движок ищет персональные данные в тексте документа и заменяет их. Категории, которые он различает на сегодня:

• паспорт РФ — серия и номер, в том числе с пробелами и разделителями, на которых спотыкаются простые регулярки;
• ИНН, СНИЛС, ОГРН и ОГРНИП — с проверкой контрольной суммы, поэтому случайный набор цифр за реквизит не считается;
• номера банковских карт — с проверкой по алгоритму Луна, плюс CVV и срок действия;
• расчётные счета, БИК и КПП;
• телефоны и адреса электронной почты.

Полный список с настройками стратегий живёт на отдельной странице — какие данные находим. Она собирается из политики вашего инстанса, поэтому не может разойтись с тем, что реально умеет движок.

Какие файлы принимаются

Формат определяется по расширению файла. Список ниже — это то, что реально стоит в коде, а не в презентации:

Что вы получаете на выходе

В этом и смысл обезличивания документов, а не текста: результат — файл, который можно отправлять дальше.

Готовый файл доступен по ссылке со случайным токеном. Ссылка живёт 5 минут, а сам результат — в памяти сервера, не на диске. Скачали — он ваш, дальше сервис к нему не возвращается.

Как это работает по шагам

1. Файл разбирается на текстовые фрагменты с пометкой, откуда каждый взят: тело документа, конкретный колонтитул, лист таблицы, страница PDF.
2. Каждый фрагмент проходит через детектор. Найденное получает категорию и уверенность, а не просто «похоже на цифры».
3. Срабатывает стратегия из политики: заменить на плейсхолдер вида [REMOVED:RU_PASSPORT] или спрятать значение в vault и оставить токен.
4. Документ пересобирается в исходном формате — уже с заменами.
5. Если нужна обратимость, токен из документа раскрывается через vault: значения там зашифрованы, а не лежат открытым текстом.

Загрузить можно не только один файл: сервис принимает пачку документов и обрабатывает каждый отдельно. Один испорченный файл в пачке не делает «чистыми» остальные — по нему будет отдельная ошибка.

Ограничения, о которых лучше знать заранее

Маскирование документа — операция с чужим форматом, и у неё есть края. Мы предпочитаем отказать, чем отдать файл с дырой.

• Картинки внутри DOCX и XLSX. Если в документе лежат вставленные изображения, пересборка их не проверяет: файл помечается как непроверенный, и скачать маскированный результат нельзя. Это осознанный отказ, а не баг: скан паспорта, вставленный в договор картинкой, иначе уехал бы в «обезличенный» документ как есть.
• Обратимый PDF и таблицы. Для PDF и табличных форматов обратимая маскировка отдаёт текстовый результат: пометить токеном страницу PDF нельзя без потери вёрстки.
• PDF на выходе — растровый. Мы рендерим страницы и закрываем найденные данные плашками, поэтому текстовый слой в таком файле теряется: искать по нему текст не получится.
• Длинные сканы. Длинный документ может упереться в лимит времени на извлечение текста. Тогда файл помечается ошибкой — вы не получите документ с молчаливой пометкой «чисто». Ограничение известно и в работе.
• Только форматы из списка. Старый .doc, ODT и RTF сервис не принимает: их сначала надо сохранить в поддерживаемом формате.

И главное: обезличивание документа убирает данные из файла. Оно не делает вас невидимым, не мешает сотруднику пересказать паспорт словами и не заменяет аудит доступа к папке с договорами.

Чем это отличается от проверки документов и от обезличивания вообще

Три близких запроса — три разных задачи, и мы разводим их сознательно.

• Проверка документов отвечает на вопрос «что там внутри?»: вы загружаете файл и получаете список находок. Обезличивание идёт на шаг дальше — на выходе готовый файл без персональных данных.
• Обезличивание персональных данных — про термин и закон: что говорит 152-ФЗ, какие пять методов утвердил Роскомнадзор. Здесь — про работу с конкретным документом.
• Маскирование персональных данных — про сам приём: чем замена на плейсхолдер отличается от токена и что происходит с каждой категорией данных.
• Маскирование перед нейросетью — про момент отправки в модель. Если документ нужно скормить ИИ, начните оттуда.

Частые вопросы