企业官网建设流程全解析

你是不是也遇到过这种情况：领导丢过来一个文件夹，里面几十个PDF，要求把身份证号、手机号、银行账号全部打码，下午就要交。单份文件用编辑器涂抹还能应付，一旦文件数量上来，手动操作就成了纯粹的体力活，而且特别容易漏。我前段时间接了个这样的需求，最后直接做出来一个“PDF批量加马赛克，抹除敏感信息绿色版”的小工具，双击运行、指定输入输出目录，剩下交给脚本处理，实测下来几十份文件几分钟搞定，比手工涂得还整齐。

这个需求在招投标、合同管理、银行流水处理、病历脱敏这些场景里太常见了。但真正做起来你会发现，单份打码谁都会，难的是“批量”和“保证不漏”。这篇文章就把我从选型、脚本实现、打包绿色版到踩坑排查的完整过程记录下来，给正在被同类需求折磨的朋友一个可以直接参考的方案。

1. 先说清楚：这个“批量打码”到底要解决什么问题

1.1 单份打码简单，难的是“批量”和“不漏”

用Adobe Acrobat或者WPS PDF给一份PDF打码，操作本身不复杂。打开文件，找到敏感区域，框选，涂黑或者添加马赛克效果，保存。单份文件这么做完全没问题，效率取决于你的手速。

但一旦变成四十份、八十份、一百份，问题立刻就暴露了。

第一个问题是效率。每份文件都要打开、定位、涂抹、放大检查、保存，循环往复。一份文件算三分钟，四十份就是两个小时。如果文件页数多、敏感信息位置分散，时间还要翻倍。更关键的是，这个时间成本是纯重复劳动堆出来的，毫无技术含量，但你又不得不做。

第二个问题是“漏”。手动操作最容易出错的地方就是漏涂。尤其当文件内容相似但不完全相同时，眼睛一花就看漏了。投标文件里漏一处身份证号，合同里漏一个银行账号，这种过失的后果不需要我多解释。特别是走正规流程的文件，一点疏漏都可能引发麻烦。

第三个问题是“一致性”。手工涂出来的方块大小不一、位置歪斜，放到一起对比着看，观感很差。审核方拿到手，一眼就能看出这个文档是手工处理的，有些区域涂得遮遮掩掩，反而显得不专业。用脚本统一处理，所有遮盖矩形都是精确到坐标的，输出效果整齐划一。

1.2 批量打码的典型使用场景

根据我实际遇到的情况，适合用这套方案处理的文件主要有下面几类：

• 招投标文件：法定代表人身份证复印件、授权书、银行资信证明中的账号信息。这类文件往往每个标段一套，文件结构高度相似。
• 合同扫描件：双方手机号、银行账号、联系地址、邮箱。合同一签就是几十份，扫描存档后要提供给第三方时，必须逐份脱敏。
• 银行流水、征信报告：姓名、证件号、账号，很多是从网银导出的固定模板，敏感字段位置相对固定。
• 历史档案发布：旧档案扫描成PDF后要放到内网或者对外公开，必须把相关人员信息抹掉。

这些场景的共同特点：文件数量多、敏感字段可以按规则定位（比如固定页眉、固定位置出现“身份证号”字样）、文件格式相对结构化。只要满足这三个条件，就有条件做批量自动化处理。

1.3 什么情况不适合固定规则批量打码

如果遇到的是“几百份PDF，每份敏感区域位置完全随机，内容也毫无规律”，那就不适合用固定坐标批量打码，需要先解决“区域自动定位”的问题。

比如一份扫描件，有的页面身份证号在左上角，有的在右下角，有的还是倾斜的，这种情况单纯套固定矩形坐标肯定不行，得走OCR识别加动态定位的路子，复杂度会高一个台阶。这篇文章里的核心逻辑能帮你解决其中一大半场景，碰上完全无规律的，可以在自动定位的基础上再叠加一层人工抽检。

2. 方案选型：为什么最后选了脚本而不是编辑器

2.1 桌面编辑器的涂抹能力与边界

先说结论：主流PDF编辑器在“人工处理单份文件”这个场景下体验都还行，但批量自动化基本都瘸腿。

我试过的几个工具，简单说一下感受：

如果你处理的文件只有三五份，用PDF-XChange或者Adobe手动涂完全没问题。但文件量一上来，“人工逐张涂”这个动作就必须被脚本替换掉。

2.2 脚本方案的核心优势

我最后选择的是Python + PyMuPDF组合。说几个它比手工编辑器强的地方：

第一是“可重复”。第一次调好参数之后，第二次、第三次处理同类文件，直接复用配置文件，不用重新画。比如这次处理这套投标文件的授权书，下个月又来一批同样结构的，配置文件和脚本都不用改，跑一遍就行。

第二是“可审计”。脚本执行完可以输出一个日志，记录哪些文件处理了、哪些文件失败了、每个文件打了几个遮罩。这在批量处理几十上百份文件时非常关键，回头要检查或者写处理说明，直接翻日志就行。

第三是“可控精度”。区域坐标精确到point，不会出现手抖涂歪的情况。同一批文件的所有遮罩矩形大小、位置、颜色全部一致，格式上非常规范。

2.3 在线工具的隐私风险

有朋友推荐过在线PDF编辑器，上传后自动识别敏感信息打码。我从来不用这类工具处理正经文件，原因特别简单：你正在脱敏的文件，本身就是敏感信息。把它们上传到第三方服务器，等于先把隐私信息交出去，再让别人帮你打码。这逻辑上就说不通。

而且在线工具生成的PDF经常带水印，有的还有文件数量、大小限制，处理速度也不稳定。脱敏这件事，工具必须是本地化的。

2.4 绿色版的真正含义

标题里写了“绿色版”，顺手说明一下我的理解。很多朋友看到“绿色版”会去搜现成的免安装工具，但实际找下来，真正能做到“指定输入目录、输出目录，自动批量打码”的现成工具少之又少。大多数绿色版PDF编辑器还停留在“人工逐张涂”的阶段，并没有解决批量问题。

所以我这里的“绿色版”，指的是用PyInstaller把脚本打包成免安装exe，不写入注册表、不依赖系统Python环境，拷到任何Windows电脑上双击就能跑。需要换电脑使用时，整个文件夹拷走就行，这才是我理解的“绿色”。

3. 核心实操：从代码到可用的批量打码脚本

3.1 环境与基础代码

用Python操作PDF，我首选PyMuPDF（即fitz）。原因有三个：它能对PDF页面做坐标级操作，能搜索文本块位置，还能执行真正的内容删除，API设计直白，适合写单文件脚本。

安装命令：

pip install PyMuPDF

第一版脚本非常简单：遍历输入目录里所有PDF，遍历每一页，用draw_rect在指定坐标画一个黑色矩形，覆盖在敏感信息上方，然后保存到输出目录。

import fitz # PyMuPDF import os input_dir = r"D:\temp\pdf_in" output_dir = r"D:\temp\pdf_out" os.makedirs(output_dir, exist_ok=True) # 需要遮盖的矩形区域，格式为 (x0, y0, x1, y1)，单位是 pt（磅） mask_rects = [ (50, 100, 250, 130), (400, 500, 600, 530), ] for file in os.listdir(input_dir): if not file.lower().endswith(".pdf"): continue pdf_path = os.path.join(input_dir, file) doc = fitz.open(pdf_path) for page in doc: page_rect = page.rect for rect in mask_rects: r = fitz.Rect(rect) if r.x1 <= page_rect.x0 or r.y1 <= page_rect.y0: continue page.draw_rect(r, color=(0, 0, 0), fill=(0, 0, 0)) output_path = os.path.join(output_dir, file) doc.save(output_path, garbage=4, deflate=True) doc.close() print("处理完成")

这段代码能跑，但只能实现“画覆盖层”。什么意思？它是在原本的文字之上画了一个黑色矩形，看起来是遮住了，但底下的文字层还在。用阅读器全选、复制，或者用PDF转Word工具一还原，敏感信息立刻露出来。这是批处理打码中最要命的一个细节，后面会专门讲。

3.2 让遮盖真正“删除内容”而不是“盖在上面”

PyMuPDF里有两个核心方法：add_redact_annot和apply_redactions。

• page.add_redact_annot(rect)：把指定区域标记为需要删除的区域。
• page.apply_redactions()：真正执行删除操作，把区域内的文本、图像对象从PDF数据里移除，而不是仅仅画一个矩形盖在上面。

这两个方法配合使用，才能叫“抹除敏感信息”。正确的代码逻辑应该是：

import fitz import os input_dir = r"D:\temp\pdf_in" output_dir = r"D:\temp\pdf_out" os.makedirs(output_dir, exist_ok=True) mask_rects = [ (50, 100, 250, 130), (400, 500, 600, 530), ] for file in os.listdir(input_dir): if not file.lower().endswith(".pdf"): continue doc = fitz.open(os.path.join(input_dir, file)) for page in doc: for rect in mask_rects: r = fitz.Rect(rect) page.add_redact_annot(r, fill=(0, 0, 0)) # 用黑色填充删除区域 page.apply_redactions() # 真正执行删除 doc.save(os.path.join(output_dir, file), garbage=4, deflate=True) doc.close() print("处理完成")

这里有三个细节值得注意：

一是garbage=4和deflate=True。garbage=4表示保存时做最彻底的对象回收，把被移除的内容从文件结构里清干净；deflate=True则对输出做压缩，避免文件体积失控。

二是fill=(0,0,0)表示删除后留下的区域用黑色方块填充。如果想要“马赛克”那种模糊网格效果，可以改用灰色，或者干脆把像素化处理放到后面做。

三是 redaction 的边界一定要精确，稍微大一点没关系，但不能小。区域小了，边缘会残留半截字符，等于没删干净。

3.3 从固定坐标到“按内容自动定位”

固定坐标在真实场景里不够用，因为每份PDF页面大小、排版、内容位置都可能不同。我的做法是：先用page.search_for()查找关键字，拿到文字块的坐标框，再把这些坐标框作为遮罩区域。

比如，要遮掉“身份证号”后面跟着的内容，可以先搜索“身份证号”这个关键词，拿到它的位置，再向右延伸一定宽度。

def find_and_redact(page, keyword="身份证号", extend=150): rects = page.search_for(keyword) for r in rects: # 从关键字位置向右扩展，覆盖后面的内容 redact_rect = fitz.Rect(r.x0, r.y0, r.x1 + extend, r.y1) page.add_redact_annot(redact_rect, fill=(0, 0, 0))

更进一步，可以用正则表达式直接在PDF文本里匹配身份证号、手机号、银行账号的常见模式，把匹配到的文本块全部定位出来，实现全自动打码。

import re import fitz patterns = [ (re.compile(r"(?<!\d)1[3-9]\d{9}(?!\d)"), "手机号"), # 粗略手机号 (re.compile(r"\d{17}[\dXx]"), "身份证号"), # 粗略身份证号 ] doc = fitz.open(pdf_path) for page in doc: for pattern, tag in patterns: matches = page.search_for(pattern) # PyMuPDF 支持正则搜索 for r in matches: page.add_redact_annot(r, fill=(0, 0, 0)) page.apply_redactions()

这里有个前提：文档必须有文本层。如果是纯扫描图片，search_for()找不到任何内容，需要走后面说的“扫描件图片处理”方案。

3.4 怎么快速拿到要遮盖的坐标

很多朋友会卡在一件事上：我怎么知道敏感信息在页面上的坐标是多少？

几个实操办法：

第一个办法，用PyMuPDF输出所有文本块坐标。写个临时小脚本，把每一页的文字块和它的bbox打印出来，对照定位。

doc = fitz.open("sample.pdf") for page_no, page in enumerate(doc): for block in page.get_text("blocks"): x0, y0, x1, y1, text = block[0], block[1], block[2], block[3], block[4] print(f"第{page_no+1}页 坐标({x0:.1f},{y0:.1f})-({x1:.1f},{y1:.1f}): {text.strip()[:20]}")

第二个办法，如果能提前从别人那里拿到模板文件，直接量尺寸就行。比如页面是A4大小210mm x 297mm，转成pt就是595.27 x 841.89。一个目标区域位于页面顶部居中位置，换算一下就能得到坐标。

第三个办法，把PDF页面渲染成PNG图片，用绘图软件打开，直接看像素或者用标尺量，然后再换算成pt单位。

这几个方法各有利弊，我用得最多的是第一种，因为它最直接，几秒钟就能看到结果。

3.5 批量配置化：把参数和代码分开

为了让工具能给别人用，也方便自己换场景复用，我把参数抽到了配置文件里。配置文件用JSON，结构类似这样：

{ "input_dir": "./input", "output_dir": "./output", "mask_color": [0, 0, 0], "page_areas": [ { "pages": [1], "rects": [ [50, 100, 250, 130], [400, 500, 600, 530] ] }, { "pages": "all", "rects": [ [100, 50, 300, 70] ] } ], "keywords": ["身份证号", "手机号码"] }

pages字段既可以是具体页码，也可以写成"all"，表示所有页面。这样一套配置就能对应一类文件，同一个脚本、不同配置就能处理不同项目。

主程序只需要读配置、遍历目录、按配置执行redaction、输出结果，逻辑非常干净。

3.6 扫描件图片的马赛克处理

扫描件PDF没有文本层，敏感信息全部是图片里的像素。这类文件用 redaction 只能整块删除区域内的图片对象，但那样会直接挖掉一块图，看起来不自然。想要真正实现“马赛克”效果，需要换一种思路：

1. 用page.get_pixmap(dpi=150)把页面渲染成图片；
2. 用PIL定位敏感区域，对该区域做像素化处理；
3. 把处理后的图片重新合成回PDF。

像素化代码示意：

from PIL import Image img = Image.open("page.png") crop = img.crop((x0, y0, x1, y1)) small = crop.resize((w // 8, h // 8), resample=Image.NEAREST) pixelated = small.resize((w, h), resample=Image.NEAREST) img.paste(pixelated, (x0, y0)) img.save("page_masked.png")

这种方式生成的就是真正的“马赛克”视觉：敏感区域变成模糊的色块网格，而不是一整块黑色。缺点是需要先渲染再合成，比矢量遮盖慢一些。大批量扫描件处理时，建议用多进程并行，每个进程打开独立的PDF文档，避免线程间资源竞争。

4. 打包成绿色版工具：过程与细节

4.1 PyInstaller打包

脚本写好后，我用PyInstaller打包成单文件exe，这样目标电脑不需要装Python，直接就能运行。

pip install pyinstaller pyinstaller -F -w -n pdf_mosaic main.py

参数说明：

• -F：打包成单文件。
• -w：运行时不显示黑色命令行窗口。
• -n：指定生成exe的名称。

这个版本适合“双击后弹窗选择路径”的交互方式。如果后续想要更复杂的命令行操作，去掉-w参数就行。

打包完会在dist目录下生成一个pdf_mosaic.exe，这个exe就是绿色版工具的核心。

4.2 批处理封装的用法

绿色版的简洁用法，我用一个run.bat来封装：

@echo off cd /d "%~dp0" pdf_mosaic.exe --config config.json pause

这样双击bat文件，它就会读取同目录下的config.json，处理./input文件夹里的PDF，输出到./output。

如果不方便改配置文件，也支持命令行直接传参：

pdf_mosaic.exe --input "D:\资料" --output "D:\资料_已脱敏"

整个发布目录结构大致是：

pdf_mosaic/ ├── pdf_mosaic.exe ├── config.json ├── run.bat └── README.txt

这个文件夹整体拷给别人，或者拷到别的电脑，都可以直接使用。

4.3 关于绿色版体积的一点经验

PyInstaller打的单文件exe因为内置了Python解释器，体积通常在10到20MB之间。有些朋友嫌大，可以尝试用UPX压缩，能压掉30%左右，但个别杀毒软件对UPX压缩过的exe会误报，需要斟酌。

另外，PyInstaller产物有时会被Windows SmartScreen或者杀毒软件拦截，所以我会把源码和打包命令写进README，放在release目录里。万一哪天exe被误删了，随时可以重新打包，不至于断档。

5. 实操中遇到的坑与完整排查链路

这一章是重点中的重点。我把自己踩过的坑按“现象—排查—根因—解决”的方式写下来，照着这个思路排雷，比直接看结论有用得多。

5.1 最经典的坑：遮盖后文字还能复制

现象：用draw_rect处理完，肉眼看上去黑条盖住了文字。但用Adobe Acrobat打开，全选、粘贴，居然还能把遮盖区域下面的文字复制出来。

排查链路：

1. 先怀疑是预览器的缓存问题，把文件拷到另一台电脑、换另一个阅读器打开，问题依旧。
2. 用fitz重新打开文件，执行page.get_text()，果然能看到被“遮住”的文本。说明文字对象根本没有被删除。
3. 打开PDF原始对象结构，发现draw_rect只是往页面里追加了一个矩形路径对象，和原本的文字层是平行的，两者没有归属关系。
4. 改用apply_redactions()后，再提取文本，干干净净，验证通过。

这个坑是所有做“PDF马赛克”的项目都绕不开的。原因在于“看起来遮住了”和“实际上被抹除了”是两码事。只有执行了redaction，才能把选中区域的内容彻底移除。

5.2 元数据也会出卖你

现象：处理完的PDF发送出去之后，对方打开文档属性，里面居然还有公司名字和创建人信息。

排查链路：

1. 右键PDF → 属性 → 详细信息，看到“作者”一栏有公司中文名。
2. 用解析工具读文档信息，确认这些是系统元数据，不是正文内容。
3. 回看代码，发现只处理了页面内容，没有清理doc.set_metadata()。
4. 在保存前加一行：

doc.set_metadata({"author": "", "creator": "", "producer": "", "title": ""})

这类数据不处理，谈不上彻底脱敏。PDF元数据里会记录文档创建者、创建时间、处理软件版本，这些都可能反推溯源。

5.3 坐标单位不对，遮罩全部错位

现象：一套坐标在某些文件上正常，换到另一批文件，遮盖区域全部偏到左上角或者右下角。

排查链路：

1. 打开PDF页面属性，发现页面尺寸不一致。有的是A4，有的是Letter，还有竖版横版混排。
2. 排查代码，发现矩形坐标是写死的point值，跟页面尺寸强相关。
3. 改用相对坐标：把坐标定义为页面宽高的百分比，再做换算。

例如，想遮盖水平方向中间区域、垂直方向20%到30%的区块：

w = page.rect.width h = page.rect.height rect = fitz.Rect(w * 0.25, h * 0.20, w * 0.75, h * 0.30)

后续所有坐标都从“百分比”换算成“绝对point”，再传给redaction，这样即使页面尺寸不同，也能保持相对位置正确。

5.4 扫描件里“删了文字层，图片里还露着”

现象：一个扫描件PDF，正文是图片，额外附带OCR文字层。按文本层把“手机号”匹配出来删了，结果用看图软件打开扫描原图，手机号还在图片像素里。

排查链路：

1. 意识到扫描PDF本质是“图片+OCR文字层”两层结构，删除文本层只是去掉了可搜索的字符，图像像素没有动。
2. 对这类文件，要么用redact_annot处理整个图片对象区域（连图带字一起抹掉），要么渲染图片后做马赛克/像素化再贴回去。
3. 最终选择“按区域渲染-像素化-替换图片”的方式，保留整张扫描图的真实感，只把敏感区域做模糊。

这种处理方式适合“外观上不希望看起来像删过内容”的场合。如果只要信息不出现、不太在意外观，直接用黑色矩形盖住然后redact掉图片区域也可以。

5.5 加密和权限问题

现象：某份PDF是加密的，脚本打开直接报错：File has password。

排查链路：

1. 先确认这份文档是不是自己有权处理的文件，密码是否已知。
2. 如果能输入密码，用fitz.open(路径, password="xxxx")打开。
3. 打开后先另存为一个临时文件，再走正常批量处理流程。
4. 遇到权限限制但知道密码的情况，另存为新文件通常就能解除编辑限制。

这里需要明确说明：这套工具解决的是“处理自己手头有权处理的文件”的场景，不是用来破解他人文档的。遇到权限锁死、无法获取密码的文件，正确做法是先联系文档所有者确认授权，而不是想办法绕过保护。

5.6 文件体积异常增大或缩小

如果处理后PDF体积比原文件大很多，通常是冗余对象没清干净，保存时加上garbage=4, deflate=True可以大幅回收。如果体积小到异常，可能是图片被过度压缩或者内容被误删，需要检查是否有关键页面丢失。

实测下来，正常处理一批文本型PDF后，体积通常会比原文件略小，因为被删除的隐藏对象都被清掉了。如果个别文件体积不降反增，优先怀疑这个文件内部有大量图片或者复杂字体，属正常现象，不用太紧张。

6. 验证一遍才算完成：脱敏效果自查方法

6.1 文本层提取验证

处理完一批文件后，我不会直接打包送出去，会先跑一个验证脚本：提取所有输出PDF的文本，搜索敏感关键词，确认完全搜不到。

import fitz doc = fitz.open(output_path) full_text = "".join(page.get_text() for page in doc) for keyword in ["身份证号", "手机号", "1371234"]: if keyword in full_text: print(f"警告：{keyword} 仍存在")

这一步非常关键。如果搜到了，说明redaction没生效，或者源文件本身不是文本层，需要回到上一步重新处理。

6.2 图片层抽查

如果文件里有扫描图片，文本提取查不到不代表图片像素里没有。可以用pdfimages工具把PDF里所有图片导出，对重点页面做肉眼抽查。这个方法不需要全部检查，挑几份关键文件、几页敏感页面看一下即可，但这一步不能省。

6.3 元数据检查

用PyMuPDF读取处理后的PDF元数据，确认作者、创建人、公司名都被清空，避免前面提到的二次泄露。

meta = fitz.open(output_path).metadata print(meta)

正常输出应该是{"format": "PDF", "title": "", "author": "", ...}这类空白值。

6.4 生成处理记录方便追溯

比较实用的一个习惯是让脚本输出一个CSV日志，记录每份文件处理了哪几页、每个区域用了哪个规则，这样后续定位漏处理或者误处理都会非常方便。对正规项目来说，这也是一份可提交的处理记录。

我用一个列表收集每次处理的结果，最后统一写CSV：

import csv with open("process_log.csv", "w", newline="", encoding="utf-8-sig") as f: writer = csv.writer(f) writer.writerow(["文件名", "页数", "执行动作", "状态"]) writer.writerows(log_entries)

整体流程跑下来，从选型、写脚本、打包绿色版到最终验证，其实就一个原则：把“人工逐份处理”变成“规则定义+脚本自动执行”。批量只是个动作，真正的核心是规则要对、流程要稳、验证要严。

我现在的习惯是处理任何文件之前，先把原始PDF备份到一个单独的文件夹，原始文件永远不动，输出目录单独命名。万一遮罩区域定错了，或者源文件本身有多个版本，也不会因为一次误操作把原始数据弄丢。脱敏这个动作，宁可保守，也不要激进。

如果你需要的只是一个能跑的绿色版小工具，照着上面的代码打包就能直接用。如果后续有更复杂的自动定位、OCR识别、批量像素化需求，把redaction和配置文件里的规则字段继续扩展就行。希望这篇记录能帮你少踩几个坑。