iText7 C# AutoSweepCleanup部分PDF无法脱敏问题咨询

问题概述 #

• 部分无保护、可正常解析内容的PDF文档，正则规则能匹配到目标脱敏内容，但AutoSweepCleanup功能无法完成脱敏操作；其他PDF文档使用相同规则可正常生效。
• 调试已确认正则能捕获到匹配内容，但AutoSweepCleanup无原生方法可判断是否触发脱敏逻辑；因文档性质限制无法提供问题样本。
• 怀疑与旧帖中提到的「脱敏目标位于字符串末尾」的问题有关，推测该问题未被修复。

当前使用的正则规则 #

// 匹配多种含后缀4位数字的长数字格式
string Pattern1 = @"(?<!\d)(\d{11,}(?=\d{4}(?!\d))|(\d{4}[- ]?){3}\d{3}(?=\d{4}(?!\d))|(\d{3}-\d{2}-\d{4}|\d{9}|\d{3}\d{2}\d{4})(?=\d{4}(?!\d)))";
// 匹配空格分隔的16位卡号
string Pattern2 = @"\b\d{4} \d{4} \d{4} \d{4}(?=\b|\s|$)";
// 匹配带分隔符的12位数字
string Pattern3 = @"\b\d{4}[- ]?\d{4}[- ]?\d{4}\b"; // looks for 12 chars, with change in font/face for last 12
// 匹配含后缀4位数字的SSN类格式
string Pattern4 = @"(?<!\d)(\d{3}-\d{2}|\d{5}|\d{3} \d{2})(?=\d{4}(?!\d))";
// 匹配14位及以上末尾非数字的长数字
string Pattern5 = @"\b\d{14,}(?=\D|$)";
// 匹配12位数字后的后续数字
string Pattern6 = @"(?<=\b\d{12})\d+";

排查与解决指导 #

1. 检查文本块拆分情况 #

iText的文本提取与清理依赖PDF内部的文本块结构，若目标脱敏内容被拆分为多个独立文本块，正则可能在全局匹配时命中，但AutoSweepCleanup仅处理单文本块内的匹配。可使用PdfTextExtractor提取文本并输出每个文本块的内容，确认目标内容是否跨块。

2. 调整正则边界断言 #

针对「目标位于字符串末尾」的场景，修改正则中的边界断言逻辑：

• 例如将(?=\b|\s|$)替换为(?=\s|$)，避免\b在数字末尾因无单词边界导致断言失效；
• 尝试移除部分严格的负向断言（如(?<!\d)），测试是否能触发清理。

3. 自定义CleanupStrategy监控处理过程 #

继承RegexBasedCleanupStrategy，重写processText方法，添加日志输出匹配到的文本块、坐标信息，确认匹配项是否被正确识别为需要清理的区域：

public class LoggingCleanupStrategy : RegexBasedCleanupStrategy
{
    public override ICollection<IPdfTextLocation> processText(TextRenderInfo renderInfo)
    {
        var locations = base.processText(renderInfo);
        if (locations.Any())
        {
            Console.WriteLine($"匹配到文本: {renderInfo.GetText()}，位置: {renderInfo.GetBaseline().GetStartPoint()}");
        }
        return locations;
    }
}

4. 拆分正则逐个测试 #

将复杂正则拆分为单一规则逐个测试，排查是否某条规则的断言逻辑导致匹配到内容但无法触发清理。例如先测试Pattern2这类简单的卡号规则，确认在问题PDF上是否生效。

5. 检查文本渲染属性 #

部分PDF可能使用特殊字体、文本缩放或隐藏渲染模式，虽然能提取文本，但AutoSweepCleanup无法正确定位文本区域。可通过PDF编辑器的「文本选择」功能，确认目标内容是否为可正常选中的普通文本。

内容的提问来源于stack exchange，提问作者Dadhustle