Het handmatig doorzoeken van een pdf van 200 pagina's voor elk creditcardnummer en het afzonderlijk redigeren van elk nummer is vervelend, traag en gevaarlijk foutgevoelig. Eén gemist nummer vormt een vermijdbaar datalek. PDF Redactie met behulp van patroonmatching automatiseert dit proces door elke tekstreeks te vinden die overeenkomt met een opgegeven indeling, zoals een 16-cijferig creditcardnummer, en in één bewerking redactiemarkeringen toe te passen op alle exemplaren van het hele document.
Patroonmatching, ook wel reguliere expressie of regex-matching genoemd, definieert een tekstpatroon in plaats van een specifieke tekenreeks. Het patroon legt het formaat van gevoelige gegevens vast zonder dat u vooraf de exacte waarden hoeft te weten. Wanneer de redactietool wordt uitgevoerd, doorzoekt deze alle tekst in het document op overeenkomsten met het patroon, registreert de positie van elke overeenkomst op de pagina en tekent ondoorzichtige zwarte rechthoeken over die posities. De onderliggende tekst wordt dan definitief verwijderd.
De PDF Security-tools van WukongPDF omvatten op patronen gebaseerde redactiemogelijkheden voor het automatisch verwijderen van gevoelige gegevens voordat documenten worden gedeeld of gepubliceerd.
Hoe op patronen gebaseerde redactie werkt op PDF-tekstlagen
Op patronen gebaseerde redactie werkt op de tekstlaag van de PDF en niet op het visuele uiterlijk ervan. De tool extraheert alle tekstinhoud van elke pagina, zoekt naar overeenkomsten met de opgegeven regex-patronen en registreert de exacte positie van elke overeenkomst. Vervolgens worden ondoorzichtige zwarte rechthoeken over die posities getekend en worden de onderliggende teksttekens permanent verwijderd, waarbij ze worden vervangen door lege ruimte die niet kan worden hersteld.
Een kritische beperking van op patronen gebaseerde redactie is dat er alleen tekst wordt gevonden die is opgeslagen als daadwerkelijke tekens. Creditcardnummers die alleen bestaan als onderdeel van een gescande afbeelding en niet als selecteerbare tekst, worden niet gevonden. Voor gescande documenten moet u eerst OCR uitvoeren om een tekstlaag te maken en vervolgens op patronen gebaseerde redactie uitvoeren op de OCR-uitvoer. Zelfs dan kunnen OCR-fouten ertoe leiden dat sommige getallen door de patroonovereenkomst worden gemist.
Het regex-patroon moet ook rekening houden met de manier waarop de PDF de tekst intern opslaat. Een creditcardnummer dat voor de lezer wordt weergegeven als 1234 5678 9012 3456 kan intern worden opgeslagen als vier afzonderlijke tekstblokken met spaties ertussen. Het patroon moet flexibel genoeg zijn om over deze interne grenzen heen te passen, wat betekent dat er optionele spaties, koppeltekens of andere scheidingstekens tussen cijfergroepen mogelijk zijn.
Precieze Regex-patronen voor creditcardnummers maken
Een creditcardnummerpatroon moet een balans vinden tussen precisie en volledigheid. Een patroon dat exact overeenkomt met de notatie 1234-5678-9012-3456 vangt getallen op die met koppeltekens zijn geschreven, maar mist dezelfde getallen die zijn geschreven als 1234567890123456 of 1234 5678 9012 3456. Een patroon dat te breed is, zoals een reeks van precies 16 cijfers, vangt rekeningnummers, telefoonnummers en andere numerieke identificatiegegevens op die mag niet worden geredigeerd.
Bouw patronen met optionele scheidingstekens tussen cijfergroepen. De uitdrukking die koppeltekens, spaties of geen scheidingsteken tussen elke groep van vier cijfers toestaat, omvat de drie meest voorkomende creditcardnummerformaten. Test het patroon op een kopie van het document voordat u de volledige redactie uitvoert. Controleer elke overeenkomst om te bevestigen dat het patroon alle beoogde gevoelige gegevens heeft gevonden en niets overeenkomt dat zichtbaar zou moeten blijven.
Voor documenten die meerdere soorten gevoelige gegevens bevatten, maakt u voor elk type een afzonderlijk patroon en voert u deze uit naarmate de afzonderlijke redactie vordert. Creditcardnummers krijgen één patroon en één pas. Burgerservicenummers krijgen een ander. E-mailadressen krijgen een derde. Afzonderlijke passen met individuele beoordeling ertussen voorkomen dat valse positieven van het ene patroon de juiste overeenkomsten van een ander patroon verstoren.
Stap voor stap: Patroonredactie uitvoeren in Acrobat Pro
Open de PDF in Adobe Acrobat Pro en ga naar Extra en vervolgens naar Redacteren. Klik in de werkbalk Redigeren op de vervolgkeuzelijst naast Markeren voor redactie en selecteer Tekst zoeken. Voer het regex-patroon in het zoekveld in en vink het vakje Reguliere expressies gebruiken aan. Acrobat doorzoekt het hele document en geeft een lijst met elke overeenkomst weer in het venster met zoekresultaten, geordend op paginanummer.
Controleer elke overeenkomst voordat u redactie toepast. Klik op elke overeenkomst in het paneel om naar de locatie op de pagina te gaan. Controleer of de overeenkomende tekst daadwerkelijk gevoelige gegevens bevat die moeten worden geredigeerd. Als een overeenkomst vals-positief is, schakelt u deze uit in de overeenkomstlijst. Nadat u alle overeenkomsten heeft bekeken, klikt u op Gecontroleerde resultaten markeren voor redactie. Acrobat plaatst redactietekens over alle aangevinkte items. Klik ten slotte op Redacties toepassen in de werkbalk om de gemarkeerde tekst permanent te verwijderen.
Nadat u de redactie heeft toegepast, slaat u het bestand op onder een nieuwe naam die het duidelijk onderscheidt van het origineel. Het originele, niet-geredigeerde bestand moet veilig worden bewaard of vernietigd. Het geredigeerde bestand kan nu veilig worden verspreid, omdat de gevoelige tekst permanent uit de documentgegevens is verwijderd en niet alleen door een visuele overlay is bedekt.
Controleren of de redactie is voltooid
Als u klaar bent, verifieert u, na het toepassen van op patronen gebaseerde redactie, uw werk voordat u het document deelt. Open de geredigeerde pdf en zoek naar een bekend creditcardnummer dat in het origineel aanwezig was. De zoekopdracht zou nul resultaten moeten opleveren. Selecteer alle tekst op elke pagina en kopieer deze naar een teksteditor. De gekopieerde tekst mag geen creditcardnummers of gedeeltelijke nummers bevatten.
Laat in documentworkflows, voor documenten met juridische of regelgevende gevolgen als redactie mislukt, een tweede revisor de output onafhankelijk verifiëren. De tweede reviewer zoekt naar bekende gevoelige patronen en scant visueel elke pagina. Een onafhankelijke revisor ontdekt fouten die de oorspronkelijke revisor mogelijk over het hoofd ziet vanwege bekendheid met de documentinhoud.
Visuele inspectie blijft ook na geautomatiseerde verificatie noodzakelijk. Patroonmatching werkt op selecteerbare tekst. Het kan geen creditcardnummers detecteren die alleen in afbeeldingen voorkomen, zoals een foto van een creditcard die in de PDF is ingesloten of een handgeschreven nummer op een gescand formulier. In deze gevallen is handmatige redactie met behulp van de tekenmodus van het gereedschap Redigeren vereist.
Omgaan met randgevallen en niet-standaardformaten
Creditcardnummers verschijnen af en toe in niet-standaard formaten die eenvoudige regex-patronen omzeilen. Een getal verdeeld over twee regels tekst, een getal geschreven met spaties tussen elk cijfer, of een getal ingebed in een langere numerieke reeks zoals een accountreferentie, vereisen allemaal patroonverfijningen of handmatige controle.
In documentworkflows kunt u voor getallen die over lijnen lopen het patroon uitbreiden, zodat tekens voor nieuwe regels als optionele scheidingstekens tussen cijfergroepen kunnen worden gebruikt. Voor getallen die in langere reeksen zijn ingebed, gebruikt u woordgrensbeweringen in de regex om ervoor te zorgen dat de overeenkomende cijfers een op zichzelf staand getal zijn in plaats van onderdeel van een grotere identificatie. Ondanks deze verfijningen zal een klein percentage van de gevoelige gegevens altijd de geautomatiseerde detectie omzeilen en handmatige identificatie vereisen.
Documenteer uw bevindingen tijdens handmatige beoordeling om de toekomstige patroonnauwkeurigheid te verbeteren. Als een bepaald niet-standaardformaat voorkomt in meerdere documenten uit dezelfde bron, ontwikkel dan een patroon dat daar specifiek op is gericht. Door opeenvolgende redactieprojecten wordt de patronenbibliotheek uitgebreider en neemt de handmatige beoordelingslast af.
| Patroon | Overeenkomsten | Beste voor |
|---|---|---|
| \d{4}[- ]?\d{4}[- ]?\d{4}[- ]?\d{4} | 16-cijferige kaart met optionele scheidingstekens | Visa, Mastercard, Ontdek |
| \d{3}-\d{2}-\d{4} | Formaat van het Amerikaanse burgerservicenummer | SSN-redactie in belastingdocumenten |
| [A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,} | E-mailadressen | Verwijdering van contactgegevens |
Een herbruikbare bibliotheek met redactiepatronen opbouwen
Organisaties die regelmatig documenten redigeren voor FOIA-reacties, gerechtelijke dossiers of openbaarmaking van documenten moeten investeren in het bouwen van een herbruikbare patronenbibliotheek. Test elk patroon op representatieve documentvoorbeelden voordat u het aan de bibliotheek toevoegt. Documenteer welke patronen werken voor welke documenttypen. Deel de bibliotheek met het hele team, zodat elk lid consistente redactienormen toepast.
Vanuit praktisch perspectief zou de patroonbibliotheek in de praktijk niet alleen de regex-expressies moeten bevatten, maar ook opmerkingen over wanneer elk patroon wel en niet moet worden toegepast. Een patroon voor Amerikaanse burgerservicenummers mag niet worden toegepast op documenten uit niet-Amerikaanse bronnen. Een patroon voor 16-cijferige creditcardnummers moet rekening houden met het risico van valse positieven op rekeningnummers. Duidelijke toepassingsrichtlijnen voorkomen misbruik van patronen in contexten waarin ze niet zijn ontworpen om te worden gebruikt.
Controleer en update de patroonbibliotheek minstens jaarlijks. Betaalkaartformaten evolueren. Nieuwe soorten gevoelige gegevens ontstaan door regelgeving. Oude patronen kunnen vals-positieve problemen veroorzaken naarmate documentformaten veranderen. Een onderhouden patroonbibliotheek is een levend bedrijfsmiddel dat bij elk gebruik verbetert.
Op patronen gebaseerde redactie transformeert de vervelende en risicovolle taak van het handmatig vinden en redigeren van elk exemplaar van gevoelige gegevens in een geautomatiseerd proces met menselijke verificatie. Het patroon vindt de overeenkomsten. De mens bevestigt ze. Samen produceren ze redactiekwaliteit die geen van beiden alleen zou kunnen bereiken.
Redactierecords archiveren voor nalevingscontroles
Eenmaal voltooid, na voltooiing van een gevoelig redactieproject, archiveert u de gebruikte patronen, het aantal gevonden en geredigeerde overeenkomsten en de identiteit van de recensent die de output heeft geverifieerd. Deze documentatie dient als auditverslag waaruit blijkt dat er een systematisch redactieproces is gevolgd. In het geval van een onderzoek naar een datalek of een compliance-audit vormen de redactiegegevens het bewijs van due diligence.
Als we dit in grote lijnen bekijken, zou het auditrecord in de praktijk de oorspronkelijke bestandsnaam moeten bevatten, de datum van redactie, de specifieke toegepaste patronen, het totale aantal gevonden overeenkomsten per patroon en de naam van de persoon die de geredigeerde uitvoer heeft beoordeeld en goedgekeurd. Een eenvoudig tekstbestand of spreadsheetsjabloon dat aan het einde van elk redactieproject wordt voltooid, kost slechts enkele minuten om in te vullen en biedt blijvende nalevingswaarde.
Voor organisaties die onderworpen zijn aan regelgeving zoals PCI-DSS, HIPAA of GDPR die specifieke gegevensbeschermingsmaatregelen verplicht stellen, ondersteunen gedocumenteerde redactieprocedures nalevingsdemonstraties. Uit de procedures blijkt dat de organisatie een gedefinieerd, herhaalbaar proces heeft voor het verwijderen van gevoelige gegevens uit documenten voordat deze de gecontroleerde omgeving verlaten.