数据脱敏工具

解决的问题

把 report.docx、Q2数据.xlsx、网页截图或对话文本里的真实金额、订单量、转化率等数字批量替换成不可直接还原或可受控还原的值，避免手工改数字、复制粘贴污染大模型上下文，同时保持文档可交付形态。

核心工作流

• 按格式选择入口：纯文本用 mask.py，Excel/CSV 用 dataframe_mask.py，Word/PPT/PDF/HTML/Markdown/图片等走 file_mask.py 统一入口。
• 数字识别与过滤：自动识别带 元、万、亿、% 等单位的数值，跳过 ID、序号、年份等非敏感数字，可用 --skip-phone 保留电话号码。
• 策略化脱敏：hash 生成确定但不同的数值并保存映射表；placeholder 用 [A]、[B] 彻底隐藏；blur 与 range 保留量级或区间，适合对外发布但不可还原。
• 格式保留：Word/PPT 尽量保留字体、表格、页眉页脚与组合形状；Excel/CSV 保留列结构；PDF/HTML/图片通常输出为文本或简化 PDF。
• 还原与批量：-m 保存映射表，--unmask 用同一映射表还原；同目录或多文件批量时使用统一映射表保持跨文件一致性。

边界与注意

• 只处理数字，不识别人名、地名、公司名等语义敏感信息，外发前仍需人工复核。
• 旧版 .doc/.xls、扫描 PDF、JS 渲染 HTML 需要转格式、OCR 或浏览器提取后处理。
• 映射表等同还原密钥，应单独保管，避免和脱敏文件一起发送或提交到公开仓库。
• 脱敏不等于加密；合规要求高时应使用 placeholder 并结合加密与审批流程。