Распознавание персональных данных в документе
Прежде чем что-то обезличивать, надо понять, что внутри. Mask Gate читает документ, находит персональные данные и показывает отчёт: какие категории, сколько находок и где они лежат.
Проверить документРаспознавание — это диагностика, а не лечение. Оно отвечает на вопрос «что в файле», не меняя сам файл. Дальше можно отправить отчёт коллеге, разобраться с находками вручную или сразу перейти к обезличиванию.
Что именно ищет детектор
Движок ищет не «похожие на цифры» последовательности, а конкретные категории с проверками. Паспорт РФ — серия и номер, в том числе с пробелами и разделителями. ИНН, СНИЛС, ОГРН и ОГРНИП проверяются по контрольной сумме, поэтому случайный набор цифр за реквизит не считается. Карты — по алгоритму Луна, плюс CVV и срок действия. Отдельно — расчётные счета, БИК, КПП, телефоны и адреса электронной почты.
Полный список и настройки стратегий живут на странице какие данные находим. Она собирается из политики вашего инстанса, поэтому не может разойтись с тем, что реально умеет движок.
Где детектор смотрит
В DOCX это не только видимый текст: таблицы, колонтитулы, сноски, примечания, скрытый текст правок и переменные документа. В XLSX — значения и формулы на всех листах, включая комментарии к ячейкам. В PDF — текстовый слой и поля формы; страницы без текста распознаются через OCR. Для TXT и CSV кодировка определяется автоматически.
| Носитель | Что распознаётся |
|---|---|
| DOCX | Абзацы, таблицы, колонтитулы, сноски, комментарии, скрытый текст |
| XLSX | Все листы, значения и формулы, комментарии, текст фигур |
| Текстовый слой, поля формы; страницы без текста — OCR | |
| TXT, CSV | Текст с автоопределением кодировки |
| Сканы | OCR: текст с изображения попадает в отчёт |
Что показывает отчёт
Отчёт — это список находок по категориям и по местам в документе. Он не «подсвечивает всё красным»: у каждой находки есть категория и уверенность, а у некоторых категорий — результаты проверок (контрольная сумма, Луна). Это позволяет понять, где настоящие данные, а где совпадение.
Зачем это нужно на практике. Перед отправкой договора подрядчику полезно увидеть, что в нём остались паспорт клиента и телефон в колонтитуле — и только потом решать, что убрать. Если отчёт показывает медданные или иные спецкатегории, облачная обработка такого файла не пройдёт: сработает предохранитель (подробнее — на странице сведений о здоровье).
Чем это отличается от обезличивания
Распознавание не меняет файл: вы получаете отчёт, а документ остаётся исходным. Обезличивание — следующий шаг: найденные значения заменяются, и вы скачиваете готовый файл в том же формате. Если нужен именно результат, открывайте обезличивание документов.
Точность и границы
Точность зависит от категории и от текста: нестандартный формат реквизита может не найтись, а похожий набор цифр — потребовать проверки. Открытые метрики качества опубликованы на странице quality: там видно, на каком корпусе и с какими ограничениями получены цифры. Читать их стоит как свойство корпуса, а не как гарантию на вашем документе.
Отдельные границы. Изображения, вставленные в DOCX или XLSX, пересборка не проверяет — файл может быть помечен как непроверенный. Биометрия детектором не выявляется: для неё нужен отдельный процесс. Это не «мелкий шрифт», а часть контракта: лучше узнать об этом до, чем после отправки.
Частые вопросы
Какие данные находит детектор?
Паспорт РФ, ИНН, СНИЛС, ОГРН/ОГРНИП, номера банковских карт, расчётные счета, БИК, КПП, телефоны и адреса электронной почты. Полный список с настройками стратегий собирается из политики инстанса на странице «Какие данные находим», поэтому он не расходится с тем, что реально умеет движок.
Что делать, если данных в документе много?
Сначала посмотрите отчёт: в нём видно, какие категории найдены и в каком месте документа. Затем решите, что делать дальше — обезличить файл целиком или разобраться с находками вручную. Для регулярного потока разумнее сразу обезличивать, а не проверять каждый файл руками.
Распознавание работает со сканами?
Да, если в скане есть текст: страницы без текстового слоя распознаются через OCR, и найденные данные попадают в отчёт. Качество зависит от скана: размытое или повёрнутое изображение может ухудшить результат.
Это то же самое, что обезличивание?
Нет. Распознавание только показывает, что найдено, и не меняет файл. Обезличивание — следующий шаг: заменяет найденные значения и отдаёт файл в исходном формате.
Проверить свой документ
Загрузите файл и посмотрите отчёт: что найдено, где и по каким категориям. Без изменения файла.
Смотрите также
- Проверка текста — быстрый вариант для вставленного текста.
- Обезличить документ — следующий шаг после проверки.
- Средства обезличивания — как выбирать инструмент.
- Статьи про нейросети и обезличивание.