Python向AI API传输用户输入时如何防止敏感数据泄露？

一、正则表达式掩码（基础可靠方案） #

正则表达式是处理敏感数据掩码的基础方法，只要覆盖业务场景中常见的敏感数据模式，就能实现可靠的脱敏。以下是针对邮箱、手机号、身份证号的示例实现：

import re
import requests

def mask_sensitive_data(text):
    # 掩码邮箱地址（替换为***@***.***）
    text = re.sub(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}', '***@***.***', text)
    # 掩码国内手机号（保留区号和首尾部分，中间替换为*******）
    text = re.sub(r'(\+86)?1([3-9]\d{2})\d{4}(\d{4})', r'\1\2*******\3', text)
    # 掩码身份证号（全部替换为星号）
    text = re.sub(r'\d{17}[\dXx]', '*****************', text)
    return text

# 改造原API调用函数
def send_to_api(user_input):
    masked_input = mask_sensitive_data(user_input)
    response = requests.post(
        "https://api.example.com/analyze",
        json={"text": masked_input}
    )
    return response.json()

使用正则的注意事项：

• 需根据业务场景调整正则规则（比如适配不同国家的手机号格式、带特殊符号的邮箱）
• 用边缘测试用例验证（比如带空格的手机号、多级域名的邮箱）
• 可逐步扩展规则覆盖更多敏感数据类型（如银行卡号、地址）

二、专业脱敏库（更优实践） #

对于复杂场景，使用专业的脱敏库能提升识别准确率和开发效率，以下是两个常用库的实现：

1. Presidio（微软开源的敏感数据识别与脱敏工具） #

Presidio支持多语言，内置数十种敏感实体识别规则（邮箱、手机号、身份证、信用卡号等），还可自定义实体类型。

首先安装依赖：

pip install presidio-analyzer presidio-anonymizer

示例代码：

import requests
from presidio_analyzer import AnalyzerEngine
from presidio_anonymizer import AnonymizerEngine
from presidio_anonymizer.entities import OperatorConfig

def anonymize_text(text):
    # 初始化分析器和脱敏引擎
    analyzer = AnalyzerEngine()
    anonymizer = AnonymizerEngine()
    
    # 识别文本中的敏感实体
    analysis_results = analyzer.analyze(text=text, language='zh')
    
    # 替换敏感数据为<REDACTED>，也可自定义替换规则
    anonymized_result = anonymizer.anonymize(
        text=text,
        analyzer_results=analysis_results,
        operators={
            "DEFAULT": OperatorConfig("replace", {"new_value": "<REDACTED>"})
        }
    )
    return anonymized_result.text

# 改造原API调用函数
def send_to_api(user_input):
    anonymized_input = anonymize_text(user_input)
    response = requests.post(
        "https://api.example.com/analyze",
        json={"text": anonymized_input}
    )
    return response.json()

2. Faker（生成假数据替换敏感信息） #

如果需要保留数据格式但替换为虚假信息（比如外部API需要识别数据类型但不能传真实数据），可以用Faker生成符合格式的假数据。

首先安装依赖：

pip install faker

示例代码：

import re
import requests
from faker import Faker

fake = Faker('zh_CN')

def replace_sensitive_data(text):
    # 替换真实邮箱为假邮箱
    def replace_email(match):
        return fake.email()
    text = re.sub(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}', replace_email, text)
    
    # 替换真实手机号为假手机号
    def replace_phone(match):
        prefix = match.group(1) if match.group(1) else ''
        return prefix + fake.phone_number()
    text = re.sub(r'(\+86)?1[3-9]\d{9}', replace_phone, text)
    
    return text

# 改造原API调用函数
def send_to_api(user_input):
    replaced_input = replace_sensitive_data(user_input)
    response = requests.post(
        "https://api.example.com/analyze",
        json={"text": replaced_input}
    )
    return response.json()

三、最佳实践补充 #

• 明确敏感数据范围：先梳理业务中需要保护的敏感数据类型（如邮箱、手机号、身份证、银行卡号等），针对性制定脱敏规则
• 测试覆盖：用包含各种边缘情况的测试用例验证脱敏效果，避免遗漏敏感数据
• 避免过度脱敏：不要误处理非敏感数据（比如普通数字串不要当成手机号）
• 合规适配：根据所在地区的隐私法规（如国内《个人信息保护法》、GDPR）调整脱敏策略，确保符合合规要求
• 日志规范：脱敏后的数据可记录，但不要存储原始敏感数据（除非有合规要求的存储流程）

内容的提问来源于stack exchange，提问作者Rom Questa AI