Een juridisch ontdekkingsdocument van 300 pagina's bevat telefoonnummers, e-mailadressen en burgerservicenummers verspreid over de pagina's. Het handmatig vinden en redigeren van elk ervan zou dagen in beslag nemen en nog steeds het risico lopen er enkele te missen. Op patronen gebaseerde automatische redactie doorzoekt het hele document op tekst die overeenkomt met specifieke formaten, telefoonnummers, e-mailadressen en creditcardnummers, en past in één bewerking redactie toe op elke overeenkomst. De vraag is niet of dit mogelijk is, maar hoe nauwkeurig dit is en welk toezicht daarvoor nodig is.
Op patronen gebaseerde PDF-redactie gebruikt reguliere expressies om tekst te identificeren die overeenkomt met vooraf gedefinieerde of aangepaste patronen. Een telefoonnummerpatroon komt overeen met reeksen zoals (555) 123-4567 of 555-123-4567. Een e-mailpatroon komt overeen met reeksen zoals naam@domein.com. Het patroon van een burgerservicenummer komt overeen met ###-##-####. De tool scant de PDF-tekstlaag, vindt elke overeenkomst en redigeert ze tegelijkertijd.
Hoe op patronen gebaseerde redactie werkt
De redactietool haalt eerst de tekst uit de PDF-inhoudsstroom en zoekt naar de opgegeven patronen. Wanneer er een match wordt gevonden, registreert de tool het paginanummer en de coördinaten van de overeenkomende tekst op die pagina. Nadat de zoekopdracht op alle pagina's is voltooid, past de tool redactietekens toe op elke opgenomen locatie, waardoor de tekst wordt bedekt en uit de tekstlaag wordt verwijderd.
De nauwkeurigheid van op patronen gebaseerde redactie is afhankelijk van twee factoren: de nauwkeurigheid van het patroon en de kwaliteit van de PDF-tekstlaag. Een nauwkeurig patroon vangt de bedoelde tekst op en vermijdt valse overeenkomsten. Een telefoonnummerpatroon moet onderscheid maken tussen daadwerkelijke telefoonnummers en andere reeksen cijfers die toevallig dezelfde lengte hebben, zoals factuurnummers, datumbereiken of onderdeelnummers.
Met patroonmatching wordt gevonden wat het menselijke oog uren zou kosten om te lokaliseren.
De kwaliteit van de tekstlaag bepaalt of het patroon de tekst überhaupt kan vinden. Als de PDF is gemaakt van een gescand document met OCR, heeft de OCR mogelijk bepaalde tekens verkeerd herkend. Een telefoonnummer waarbij het cijfer '5' ten onrechte als 'S' werd herkend, komt niet overeen met het telefoonnummerpatroon. De redactietool kan niet redigeren wat hij niet kan vinden, en OCR-fouten zorgen voor hiaten in de patroondetectie.
Veelvoorkomende patronen en hun valkuilen
Burgerservicenummers zijn het vaakst geredigeerde patroon en vormen het meest waarschijnlijk valse overeenkomsten. Een reeks van negen cijfers met koppeltekens op de juiste plaatsen kan een burgerservicenummer zijn, maar het kan ook een productcode, een document-ID of een datumbereik zijn dat in een ongebruikelijk formaat is geschreven. Patroongebaseerde redactie begrijpt de context niet. Het komt overeen met het patroon, niet met de betekenis.
E-mailadressen zijn gemakkelijker nauwkeurig te matchen omdat het @-symbool onderscheidend is en zelden buiten e-mailadressen verschijnt. E-mailadressen die in PDF's zijn ingesloten als mailto-links in plaats van als zichtbare tekst, worden mogelijk niet gematcht door een op tekst gebaseerde patroonzoekopdracht. De redactietool doorzoekt de zichtbare tekstlaag, niet de onderliggende linkannotaties.
Creditcardnummers volgen een specifiek formaat, 16 cijfers, soms gegroepeerd in vieren, dat de Luhn-algoritmecontrole doorstaat. Op patronen gebaseerde redactietools die Luhn-validatie omvatten, verminderen valse overeenkomsten aanzienlijk, omdat willekeurige reeksen van 16 cijfers zelden de controle doorstaan. Als uw redactietool geen Luhn-validatie bevat, controleer dan handmatig de creditcardmatches voordat u redactie toepast.
Met aangepaste patronen kunt u organisatiespecifieke informatie redigeren. Een werknemers-ID-indeling, een klantrekeningnummerpatroon of een interne projectcode kunnen worden gedefinieerd als een aangepaste reguliere expressie. Het PDF Beveiliging voordeel van aangepaste patronen is dat ze informatie targeten die generieke patronen zouden missen, waardoor de redactie uitgebreider wordt.
Patroonmatches bekijken voordat u redactie toepast
Pas nooit patroongebaseerde redactie toe zonder eerst de overeenkomsten te beoordelen. Met de beoordelingsstap kunt u valse overeenkomsten deselecteren en gemiste overeenkomsten handmatig toevoegen. Een patroon dat 500 overeenkomsten oplevert, kan 480 correcte overeenkomsten en 20 valse overeenkomsten hebben. Als de 20 valse overeenkomsten worden toegepast, wordt tekst ten onrechte geredigeerd die zichtbaar moet blijven. De beoordelingsstap voorkomt dit.
De meeste redactietools geven overeenkomsten weer als gemarkeerde tekst in een beoordelingspaneel. Blader door de lijst met overeenkomsten en verifieer elke overeenkomst aan de hand van de context op de pagina. Deselecteer overeenkomsten die duidelijk niet het beoogde doelwit zijn. Deze handmatige beoordeling is sneller dan het handmatig vinden van elk exemplaar, omdat de tool het zoeken heeft gedaan, maar het is nog steeds essentieel voor de nauwkeurigheid.
Nadat u de redactie hebt toegepast en het document hebt opgeslagen, verifieert u de redactie door de PDF naar platte tekst te converteren en in de tekstuitvoer naar de geredigeerde patronen te zoeken. Als een van de patronen in het tekstbestand voorkomt, is de redactie niet voltooid. Met deze verificatie na redactie worden patroonovereenkomsten opgespoord die zich in de tekstlaag bevonden, maar niet met succes zijn geredigeerd.
Beperkingen van op patronen gebaseerde redactie
Op patronen gebaseerde redactie werkt alleen op tekstgebaseerde PDF's waarin de tekst als tekens is opgeslagen. Gescande PDF's die niet door OCR zijn verwerkt, slaan tekst op als afbeeldingen en bevatten geen tekengegevens waarnaar de patroonmatcher kan zoeken. Voer OCR uit op gescande PDF's voordat u patroongebaseerde redactie probeert uit te voeren. Houd er rekening mee dat OCR-fouten ertoe kunnen leiden dat sommige patroonovereenkomsten worden gemist.
Tekst die is opgeslagen als vectorcontouren in plaats van tekencodes, zoals tekst die in ontwerpsoftware naar paden is geconverteerd, is onzichtbaar voor op patronen gebaseerde redactie. De tekst ziet eruit als tekst op de pagina, maar de PDF bevat tekeninstructies voor elke tekenvorm, niet de tekencodes. Patroongebaseerde redactie kan geen tekst vinden die in dit formaat is opgeslagen.
PDF Privacy-regelgeving vereist steeds vaker dat organisaties aantonen dat de redactie correct is uitgevoerd. Een op patronen gebaseerd redactierapport dat documenteert welke patronen zijn doorzocht, hoeveel overeenkomsten er zijn gevonden, hoeveel er zijn toegepast en hoeveel er handmatig zijn overschreven, vormt het bewijs van due diligence in het redactieproces.
WukongPDF biedt redactietools via de browser die PDF's lokaal kunnen verwerken. Op patronen gebaseerde redactie zoekt in de documenttekstlaag naar overeenkomende patronen en past redactiemarkeringen toe. Door de browsergebaseerde aanpak blijven uw documentgegevens tijdens het redactieproces op uw apparaat staan.
Gedeeltelijke redactie is soms nodig voor patronen waarbij slechts een deel van de overeenkomende tekst verborgen moet zijn. Een telefoonnummer waar alleen de laatste vier cijfers zichtbaar moeten zijn, of een e-mailadres waar het domein zichtbaar moet blijven. Op patronen gebaseerde redactietools die opnamegroepen ondersteunen, laten u definiëren welke delen van het overeenkomende patroon u wilt redigeren en welke u zichtbaar wilt laten.
Nadat u op patronen gebaseerde redactie hebt toegepast, doorzoekt u het document op fragmenten van de geredigeerde informatie. Een e-mailadres dat is geredigeerd als j***@domain.com kan nog steeds identificeerbaar zijn als het domein uniek is. Voor maximale privacy kunt u het gehele overeenkomende patroon redigeren in plaats van gedeeltelijk te redigeren.
Bij documenten die zowel op tekst als op afbeeldingen gebaseerde instanties van hetzelfde patroon bevatten, zoals een PDF met zowel getypte als gescande pagina's, verwerkt de op patronen gebaseerde redactie de op tekst gebaseerde instanties, terwijl de op afbeeldingen gebaseerde redactie afzonderlijk op de gescande pagina's moet worden toegepast.
Op patronen gebaseerde redactie is een onderdeel van een alomvattende strategie voor het opschonen van documenten. Andere componenten zijn onder meer het verwijderen van metagegevens, het verwijderen van verborgen inhoud en het verwijderen van opmerkingen en annotaties. Een document dat grondig is geredigeerd, maar nog steeds de naam van de auteur en de organisatie in de metagegevens bevat, kan nog steeds gevoelige informatie lekken.
Voor juridische ontdekkingsdocumenten moet op patronen gebaseerde redactie worden gecombineerd met handmatige beoordeling. Een patroon kan telefoonnummers vinden, maar geen verwijzing naar een telefoongesprek waarin het telefoonnummer niet voorkomt. Handmatige beoordeling vangt contextuele verwijzingen op die patroonmatching mist.
Patroonbibliotheken die door organisaties worden gedeeld, kunnen de consistentie van de redactie verbeteren. Een advocatenkantoor dat honderden ontdekkingsdocumenten verwerkt, ontwikkelt een bibliotheek met geteste patronen voor veelvoorkomende gevoelige gegevenstypen. Het delen van deze bibliotheek binnen het bedrijf zorgt ervoor dat elk document volgens dezelfde patronen wordt geredigeerd.
Het is essentieel om nieuwe patronen op een voorbeelddocument te testen voordat u ze op het volledige document toepast. Een patroon dat perfect werkt bij het testen kan onverwachte overeenkomsten opleveren in het daadwerkelijke document vanwege opmaakvariaties, OCR-artefacten of ongebruikelijke gegevensindelingen.
Het redactie-audittraject moet naast het geredigeerde document worden bewaard. Het audittraject documenteert welke patronen zijn gebruikt, hoeveel overeenkomsten elk patroon heeft gevonden en of er overeenkomsten handmatig zijn overschreven. Deze documentatie ondersteunt kwaliteitsborging en naleving van de regelgeving.
Reguliere expressies voor patroonmatching kunnen buiten de PDF-tool worden getest voordat de redactie wordt uitgevoerd. Met online regex-testers kunt u voorbeeldtekst invoeren en zien welke patronen overeenkomen. Test uw telefoonnummer, e-mailadres en BSN-patronen met representatieve voorbeelden van de documenttekst om te controleren of ze de beoogde doelen bereiken.
De tijd die wordt bespaard door op patronen gebaseerde redactie vergeleken met handmatige redactie is aanzienlijk. Het kost een op patronen gebaseerd hulpmiddel minder dan een minuut om een document met 500 gevallen van gevoelige patronen te vinden en te redigeren. Het handmatig redigeren van hetzelfde document zou uren duren.
Voor documenten die volgens een terugkerend schema worden geredigeerd, zoals maandelijkse rapporten die altijd dezelfde soorten gevoelige gegevens bevatten, slaat u de patroonset op als een voorinstelling. Door de voorinstelling op elk nieuw rapport toe te passen, wordt een consistente redactie gegarandeerd, zonder dat patronen telkens opnieuw moeten worden geconfigureerd.
Het opleiden van personeel in de juiste redactietechnieken is net zo belangrijk als het beschikken over de juiste hulpmiddelen. Een op patronen gebaseerd redactiehulpmiddel kan in ongetrainde handen een vals gevoel van veiligheid opleveren. Medewerkers moeten begrijpen wat de tool wel en niet kan doen, het belang van het beoordelen van overeenkomsten en de verificatiestappen na redactie.
Voor organisaties die onderworpen zijn aan de AVG, HIPAA of soortgelijke privacyregelgeving, moet op patronen gebaseerde redactie deel uitmaken van een gedocumenteerd gegevensbeschermingsproces. Het proces moet specificeren naar welke patronen moet worden gezocht, wie de overeenkomsten beoordeelt en hoe de redactie wordt geverifieerd voordat het document wordt vrijgegeven.
| Patroon | Regex-voorbeeld | False Match-risico | Verificatietip |
|---|---|---|---|
| Telefoon (VS) | \(\d{3}\) \d{3}-\d{4} | Medium: komt overeen met factuurnummers | Controleer context; deselecteer niet-telefoonovereenkomsten |
| \S+@\S+\.\S+ | Laag: @ is onderscheidend | Controleer of het domein een echt e-maildomein is | |
| SSN | \d{3}-\d{2}-\d{4} | Hoog: komt overeen met productcodes | Handmatige beoordeling essentieel voor SSN-patronen |
| Creditcard | \d{4}-\d{4}-\d{4}-\d{4} | Laag met Luhn-cheque | Schakel Luhn-validatie in, indien beschikbaar |