用 Presidio 做本地脱敏：团队在 Debian 上的实践

整理医疗数据和研究资料时，删除姓名、电话等字段后，仍要检查备注、标题和正文中的身份信息。如果只按关键词替换，又可能把需要保留的业务内容一起删掉。围绕这些问题，我们在团队的 Debian 主机上部署了 Presidio，尝试将自动识别与人工复核接入资料处理流程。

这轮工作包括本地工具开发、合成数据测试和两份指定文档的适配。

先找出位置，再执行替换

Presidio 的处理分为两步。Analyzer 找出文本中疑似敏感信息的位置和类型。Anonymizer 再按指定方式处理这些位置，例如替换为统一标记，或遮蔽部分字符。团队这次采用统一替换，输出标记为 <REDACTED>。

识别时，我们同时使用语言模型和规则。模型根据上下文寻找人名、地点等实体，规则识别手机号、邮箱等有格式特征的内容。两者的结果会有重叠。例如，邮箱的一部分也可能被识别为网址。我们在适配代码中先合并重叠位置，再交给 Anonymizer 替换，避免分次处理留下残余字符。

图中使用合成文本说明处理方式。标记被替换后，仍需检查有没有漏掉的身份信息，以及有没有误删研究所需的内容。

中文材料要补模型，也要补规则

Presidio 的默认配置面向英文。我们另外安装了中文 spaCy 模型，并补充中文手机号、疑似身份证号码、邮箱和带“姓名”上下文的识别规则。中英文混合材料分别扫描，再合并结果。

文档适配中遇到过带职称的姓名，我们为此增加了局部识别规则和测试用例。但姓名不能完全靠固定格式判断，无上下文姓名、少数民族姓名和别名仍可能漏检。身份证规则也只检查疑似号码的格式及部分日期范围，不核验身份真伪。

另一个问题是误删。处理方法类文档时，“P：计划、目标”等通用标签需要保留，日期和机构名称则要结合用途判断。我们将这次文档适配的自动替换范围收窄到选定的直接身份类型，再核对段落、表格结构和通用字段。具体安排等内容即使没有被替换，也仍留在内部复核范围内。

实际文件怎样处理

工具每次读取明确指定的文件，原件保留，处理结果另存。普通文本、JSON 和 CSV 由本地命令行工具处理。两份指定的 Office 文档先抽取结构和文字，再执行局部适配，得到供复核的结构化内容。

我们同时保存候选文件和处理报告。报告只记录命中类型、位置和数量，不记录姓名、邮箱等原值。技术核对包括检查原件校验值，以及文档结构和应保留字段是否完整。此次读回核对中，两份原件未改动，16项指南字段完整匹配。输出为结构化候选，没有复刻原 Office 版式。

所有成功输出都标为 requires-review，即“待人工复核”，没有命中的文件也一样。人工还要检查地址、病历号、特殊经历及多字段组合中的身份线索。发现漏检或误删后，修改规则，再用同一份原件重新处理。

文件处理有异常时，工具停止执行。例如，输入输出指向同一路径、输出文件已经存在、JSON 出现重复键、CSV 行宽不一致，都会被拒绝。这样可以避免覆盖原件，也便于定位数据结构变化。候选文件缺少成功报告时，不进入后续使用。

本地运行还要检查哪些环节

我们采用独立 Python 环境，提前安装中英文模型。处理文件时不调用远程模型，也不启动 HTTP 服务。缺少模型时直接报错，不在处理中下载。

排查依赖时还发现，域名后缀解析库可能尝试联网更新后缀列表。我们改用本地资源，并在合成测试中阻断 socket 连接和 DNS 解析，检查选定输入能否完成处理。候选文件和报告只允许当前用户访问，错误日志不输出原文。后续更换依赖或模型时，这些环节也需要重新检查。

2026年10月6日的验收记录中，基础功能和文档适配共通过31项合成测试，覆盖中英文处理、重叠位置、结构保留、原件保护和异常停止等情况。它们验证的是软件行为。进入医疗文本试用后，还需要用获准且经过人工标注的样本，评估不同类型信息的漏检、误报和研究变量保留情况。

目前统一替换的方式适合清除文本中的直接身份值。若研究需要关联同一对象的多次就诊，还要单独设计研究编号和受限保存的映射表，不能依靠统一的 <REDACTED> 标记完成关联。

技术资料：Presidio 官方文档、多语言配置、自定义识别器、脱敏操作。两张图由团队依据官方说明和本地实现绘制。

供稿：米白冰

审校：冉竹逸

终审：米白冰