用Python写了一个简历脱敏工具,踩了这些坑

我做 HR 的朋友每天要处理大量简历，需要把候选人信息发给同事或第三方，但姓名、手机号、邮箱、学校这些 PII 直接暴露有风险。

今天分享一个 Python 脚本，帮你一键脱敏。

效果展示

需求是什么？

输入：PDF 或 Word 格式的简历 输出：PII 被替换为 [REDACTED] 的干净版本

需要脱敏的内容：

• 求职者姓名
• 手机号
• 邮箱
• 学校名称（本案中是重庆xx学院）

难点：用户给过来的简历格式千差万别——有的是 张三-Java开发.pdf，有的是 软件开发工程师_李四_138xxxx1234.pdf，还有的是扫描件图片。

第一版：正则匹配，困难重重

手机号和邮箱

这两个最简单，用正则就行：

# 手机号：中国手机号格式
RE_PHONE = re.compile(r'(?<!\d)1[3-9]\d[\s\-]?\d{4}[\s\-]?\d{4}(?!\d)')

# 邮箱
RE_EMAIL = re.compile(r'[a-zA-Z0-9._%+\-]+@[a-zA-Z0-9.\-]+\.[a-zA-Z]{2,}')

学校名称

最初想写一个通用的高校识别正则，用前缀+后缀匹配：

RE_SCHOOL = re.compile(
    r'(?<![A-Za-z0-9])'
    r'(?:清华|北大|复旦|...|重庆|...)'  # 地名前缀
    r'(?:大学|学院|学校|...)'            # 学校后缀
    r'(?=[\s\n\r,]|$)'
)

测试发现根本不可行：重庆xx学院的"重庆"被匹配了，但"xx学院"不是标准后缀，结果只替换了"重庆"，留下了"xx学院"。

解决：只匹配目标学校就行了。需求简单，方案就简单：

RE_SCHOOL = re.compile(r'重庆xx学院')

姓名识别

姓名没有固定格式，不能用正则猜。解决方案：从文件名中提取姓名。

⚠️ 踩坑：最初版用了 [\u4e00-\u9fa5]{2,4} 匹配所有 2-4 个汉字，结果简历正文里几乎所有中文都被替换成了 [REDACTED]！

根因：正则没有任何语义约束，后端开发、Java工程师 这种技术术语也中招。解决：删除宽泛匹配，只保留标签格式 姓名: 张三 。

def extract_name_from_filename(filename):
    parts = re.split(r'[\-_\s]+', filename)
    for part in parts:
        if re.fullmatch(r'[\u4e00-\u9fa5]{2,4}', part):
            return part
    return None

但实际文件名千奇百怪：张三-Java开发、软件开发工程师_李四_138xxxx1234。需要给每个候选项打分：

最终得分最高的就是姓名。

第二版：PDF 中文变黑方块

用 ReportLab 生成 PDF 时，中文全部显示成黑方块。

原因：默认字体 Helvetica 不支持中文。

解决：自动检测并注册中文字体：

from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont

candidates = [
    "/System/Library/Fonts/PingFang.ttc",   # macOS
    "C:\\Windows\\Fonts\\msyh.ttc",          # Windows
    "/usr/share/fonts/...NotoSansCJK.ttc",  # Linux
]
for path in candidates:
    if os.path.exists(path):
        font = TTFont("ChineseFont", path)
        pdfmetrics.registerFont(font)

macOS 和装了中文字体的 Windows 会自动找到，Linux 需要装 Noto Sans CJK。

第三版：扫描件（图片型 PDF）

有些简历是扫描件，PyMuPDF 读到的文本是 0。

解决方案：OCR 自动降级。检测到文本 < 30 字符时，触发 RapidOCR：

import fitz
from rapidocr_onnxruntime import RapidOCR

def process_pdf(input_path, output_path, target_name):
    doc = fitz.open(input_path)
    for page in doc:
        text = page.get_text() or ""
        if len(text.strip()) < 30:
            # OCR 降级
            mat = fitz.Matrix(2.0, 2.0)  # 2倍分辨率
            pix = page.get_pixmap(matrix=mat)
            img_bytes = pix.tobytes("png")
            ocr = RapidOCR()
            result, _ = ocr(img_bytes)
            if result:
                text = "\n".join(item[1] for item in result)
        # ... 脱敏逻辑

OCR 识别率很高，但有个新问题：形近字误差。

第四版：OCR 形近字误差

测试发现，张开 被 OCR 识别成了 再造（开→再，张→造）。

精确匹配完全失效。需要在脱敏前做模糊查找：

def fuzzy_find(text, target_name):
    """
    容忍 OCR 形近字误差的模糊匹配
    最多容忍 2 个字符误差，但必须连续匹配 ≥ 2
    """
    confusion = {
        '冉': ['再'], '再': ['冉'],
        '建': ['造'], '造': ['建'],
        '红': ['江', '弘'],
        # ... 更多形近字
    }
    for start in range(len(text)):
        substr = text[start:start + len(target_name)]
        # 逐字符匹配，容忍混淆字
        # ...

这样即使用户收到的扫描件质量一般，姓名依然能被正确识别和脱敏。

最终方案

架构：

输入文件
    ↓
PyMuPDF 读取文本
    ↓ 文本<30字符?
    ↓ 是 → RapidOCR 图片识别
    ↓ 否 → 直接脱敏
    ↓
sanitize_text() → [REDACTED] 替换
    ↓
ReportLab 生成 PDF
    ↓
输出文件（文件名也脱敏）

依赖（只有 4 个）：

pip install pymupdf python-docx reportlab rapidocr_onnxruntime

小白使用方法：双击运行 .bat 脚本，简历丢进 input 文件夹，结果从 output 取，全程不需要碰命令行。

踩坑总结

核心心得

需求简单，方案就简单。 不要过度设计，找到真正的问题，逐个解决，比一开始就设计"完美方案"要靠谱得多。