识别并脱敏上传到deepseek/chatgpt的文本文件中的护照信息

本文将介绍一种简单高效的方法解决用户在上传文件到DeepSeek、ChatGPT，文心一言，AI等大语言模型平台过程中的护照号识别和脱敏问题。

DeepSeek、ChatGPT，Qwen，Claude等AI平台工具快速的被接受和使用，用户每天上传的文本数据中潜藏着大量敏感信息，大量的AI服务数据泄漏事件源于未正确处理输入数据。

你是否在上传数据到deepseek，chatgpt，通义千问，豆包，腾讯元宝，纳米搜索等平台之前犹豫过？
是否纠结如何快速的检查数据中是否存在敏感信息？
是否受制于如何快速轻量的对这些数据进行脱敏？
你是否担心数据上传到大语言模型等AI平台之后，敏感信息等会被用于特殊的用途？
你是否担心数据不仅会被大模型平台获取，还会被诸多的插件应用获取？

那么本文将帮你找到答案。前面的文章介绍了手机号，身份证号的脱敏，详见这里。

如果不想了解原理部分的内容，可以直接跳转到护照号脱敏章节获取使用的方法和技巧，本文的目录结构如下：

如果不想了解原理部分的内容，可以直接跳转到单一敏感信息脱敏章节获取使用的方法和技巧。

护照号脱敏

下面将使用cyberchef对于护照号进行识别和脱敏。相信大家现在万事都会首先问下deepseek，先看询问deepseek结果如何：

对于cyberchef的使用，目前deepseek给出的结果大方向正确的，但是不能够直接拿来使用，例如其中的正则只是覆盖了部分的护照格式，同时出现了AI幻觉的问题，生成的内容填入cyberchef是无法被识别的，有比较多的操作性的错误。这也是本文有别于AI的价值，能够帮助你高效的完成这一项工作。

上述的答案虽然结果虽然不全对，但是仍有一些地方倒是存在一些价值，例如可以基于其中的正则进行修改。对于文本文件来说，识别这些信息主要靠的是正则表达式。有了正则表达式之后，就可以使用cyberchef的正则模块，进行识别，测试正则是否正确。

护照号测试用例

由于护照号的的类型是非常的多，上述的提问只是给出的正则只是覆盖了护照的几种形式，因此需要针对护照的种类，继续提问deepseek，如下：

基于deepseek的回答，构造一组包含护照信息的测试数据如下：

xml 复制代码

手机号：18811112222 姓名：张三 护照：G12345678 URL:https://xiaofan.blog.csdn.net
手机号：17711112222 姓名：李小四 护照：DE1234567  URL:https://xiaofan.blog.csdn.net
手机号：19911112222 姓名：村中少年 护照：SE 12 3456  URL:https://xiaofan.blog.csdn.net
手机号：16611112222 姓名：王五 护照：H12-345-678  URL:https://xiaofan.blog.csdn.net

find操作正则

虽然deepseek给出的所有护照种类仍然的不完整，但是其中给出的正则已经能够满足一些场景的需求。有了上述cyberchef的提示，并基于测试用例优化正则直至匹配上所有的测试用例为止，效果如下：

对应的cyberchef脚本如下：

xml 复制代码

[
  { "op": "Regular expression",
    "args": ["User defined", "([EG]|DE|SE|H|M)[-\\s]*(\\d{2,})[-\\s]*(\\d{2,3})[-\\s]*(\\d{1,})", true, true, false, false, false, false, "Highlight matches"] }
]

确认上述的正则能够匹配所有的测试用例之后，只保留前一到两位的字母，使用replace操作替换如下：

对应的cyberchef脚本如下：

xml 复制代码

[
  { "op": "Find / Replace",
    "args": [{ "option": "Regex", "string": "([EG]|DE|SE|H|M)[-\\s]*(\\d{2,})[-\\s]*(\\d{2,3})[-\\s]*(\\d{1,})" }, "$1*******", true, false, true, false] }
]

这里需要知道$1的用法，表示的是第一个被识别和提取的部分。

register操作正则

如果直接让deepseek给出正则的识别护照，给出的正则表达式可能和上述的正则不同，如下：

使用上述正同样能够匹配上述的测试用例，如下：

cyberchef对应的脚本为：

xml 复制代码

[
  { "op": "Regular expression",
    "args": ["User defined", "(?P<ordinary>[EG](?:[\\s-]*\\d){8})|(?P<diplomatic>DE(?:[\\s-]*\\d){7})|(?P<official>SE(?:[\\s-]*\\d){6})|(?P<hk>H(?:[\\s-]*\\d){8})|(?P<macau>M(?:[\\s-]*\\d){8}) ", true, true, false, false, false, false, "Highlight matches"] }
]

如果使用上述的正则，则需要使用register操作进行替换（find操作使用该正则不生效），对于护照号保留前2位即可，其他部分使用星号进行替换，如下：

对应的cyberchef脚本如下：

xml 复制代码

[
  { "op": "Fork",
    "args": ["\\n", "\\n", false] },
  { "op": "Register",
    "args": ["(?P<ordinarynew>G(?:[\\s-]*\\d){8})|(?P<ordinaryold>E(?:[\\s-]*\\d){8})|(?P<diplomatic>DE(?:[\\s-]*\\d){7})|(?P<official>SE(?:[\\s-]*\\d){6})|(?P<hk>H(?:[\\s-]*\\d){8})|(?P<macau>M(?:[\\s-]*\\d){8})", true, false, false] },
  { "op": "Find / Replace",
    "args": [{ "option": "Regex", "string": "$R0" }, "G*****", true, false, true, false] },
  { "op": "Find / Replace",
    "args": [{ "option": "Regex", "string": "$R2" }, "DE******", true, false, true, false] },
  { "op": "Find / Replace",
    "args": [{ "option": "Regex", "string": "$R3" }, "SE******", true, false, true, false] },
  { "op": "Find / Replace",
    "args": [{ "option": "Regex", "string": "$R4" }, "H*******", true, false, true, false] }
]

这里面涉及到几个关键点：

正则的编写直接询问deepseek即可。
关于fork的用法详见详见我之前的文章《Cyberchef基础概念之-分叉合并-fork/merge》，详见这里。
关于register的用法详见我之前的文章《cyberchef基础概念之-寄存器-Register》，详见这里。
对于register中R0，R1，R2，R3的理解和使用

增加护照名识别

如果想要更加精准的识别，在上述的基础上加上护照的限定会更加的准确，如下：

xml 复制代码

[
  { "op": "Regular expression",
    "args": ["User defined", "护照[:：\\s]*([EG]|DE|SE|H|M)[-\\s]*(\\d{2,})[-\\s]*(\\d{2,3})[-\\s]*(\\d{1,})", true, true, false, false, false, false, "Highlight matches"] }
]

xml 复制代码

[
  { "op": "Regular expression",
    "args": ["User defined", "护照[:：\\s]*((?P<ordinarynew>G(?:[\\s-]*\\d){8})|(?P<ordinaryold>E(?:[\\s-]*\\d){8})|(?P<diplomatic>DE(?:[\\s-]*\\d){7})|(?P<official>SE(?:[\\s-]*\\d){6})|(?P<hk>H(?:[\\s-]*\\d){8})|(?P<macau>M(?:[\\s-]*\\d){8}))", true, true, false, false, false, false, "Highlight matches"] }
]

其他内容的脱敏

上述的敏感信息种类中可知，还存在着证件信息，金融账户信息，财产信息，网络行为信息等，例如姓名，银行卡号，车牌号，护照，邮箱，密码，IP地址等其他的敏感信息，这些信息如何脱敏处理，详见我的专栏《脱敏Deepseek/Chatgpt等AI大模型中的敏感数据》，这里。

JSON/XML脱敏

上述只是介绍了无结构的TEXT的文本的处理方法，当然有的文本文件是有格式的，那么针对JSON和XMl这两种最为常见的格式，如下处理呢，请移步至《识别并脱敏上传到deepseek/chatgpt JSON数据中的敏感信息》和《识别并脱敏上传到deepseek/chatgpt XML数据中的敏感信息》，详见这里和这里。

其他格式文件脱敏

那么针对word,excel,ppt,pdf，各种图片文件这写常见的格式，如何处理呢，请移步我的专栏《脱敏Deepseek/Chatgpt等AI大模型中的敏感数据》，这里。

本文为CSDN村中少年原创文章，未经允许不得转载，博主链接这里。