M1 Mac使用anonympy匿名化PDF遇poppler路径错误求解决

你遇到的FileNotFoundError是因为指定的poppler路径不正确——pdf2image依赖的是poppler的bin目录（存放pdfinfo等可执行文件的文件夹），而不是poppler的根安装目录。

Homebrew安装的poppler，其可执行文件都在/opt/homebrew/Cellar/poppler/24.04.0/bin路径下，修正代码中的poppler_path即可解决：

from anonympy.pdf import pdfAnonymizer

anonym = pdfAnonymizer(
    path_to_pdf = "test.pdf", 
    pytesseract_path = "/opt/homebrew/Cellar/tesseract/5.3.4_1/bin/tesseract",
    poppler_path = "/opt/homebrew/Cellar/poppler/24.04.0/bin"  # 添加/bin后缀
)

anonym.anonymize(
    output_path = 'output.pdf',
    remove_metadata = True,
    fill = 'black',
    outline = 'black'
)

更稳妥的方式是直接用Homebrew的统一软链接路径/opt/homebrew/bin，这个路径包含所有Homebrew安装工具的可执行文件，即使poppler版本更新也不用修改路径：

poppler_path = "/opt/homebrew/bin"

正则匹配表单内容的方式局限性大，推荐以下更可靠的方案（均适合学生项目非商业用途）：

• spaCy + PyMuPDF组合：

  1. 用PyMuPDF（fitz库）读取PDF，提取每页文本的同时获取对应字符的坐标位置
  2. 加载spaCy预训练NER模型（如en_core_web_sm），识别文本中的姓名、邮箱、电话、地址等个人实体
  3. 根据实体坐标在PDF页面上绘制黑色矩形覆盖敏感内容
  4. 保存修改后的PDF

• Presidio匿名化工具：
  微软的Presidio专门针对敏感数据匿名化，支持识别数十种个人信息类型。可以结合PyMuPDF提取PDF内容，用Presidio识别实体后再定位覆盖。

• OCR+NER处理扫描版简历：
  如果是扫描生成的PDF，先用tesseract OCR提取文本，再用NER模型识别敏感实体，接着将PDF转成图片并涂黑对应区域，最后重新生成PDF。

内容的提问来源于stack exchange，提问作者johnjorgenson