LegalMask — 中文法律文书智能脱敏工具

将含真实当事人信息的法律文书脱敏后安全提交 AI 分析，分析结果可一键还原为真实姓名。完全本地运行，数据不出本机。

---

为什么需要 LegalMask？

通用 PII 工具（如 OpenAI Privacy Filter）处理中文法律文书时存在结构性缺陷：

问题	通用工具	LegalMask
第87条 被误判为数字删除	❌ 删除 → 法律分析失效	✅ 自动保护，完整保留
案号 （2023）京0105民初12345号	❌ 无法识别	✅ 完整捕获并编号
18位统一社会信用代码	❌ 漏检	✅ 含校验位校验
同一人多处出现不一致替换	❌ 每处独立mask	✅ 指代消解，全文一致
原告/被告等角色+姓名组合	❌ 拆散识别	✅ 整体捕获
DOCX 格式被破坏	❌ 返回纯文本	✅ Run-by-run 格式保留
脱敏不可逆	❌ 无法还原	✅ JSON mapping 精确还原

---

快速开始

pip install -r requirements.txt
streamlit run app.py

浏览器自动打开 http://localhost:8501

---

核心能力

分层脱敏引擎（core/processor.py）

Layer 0   — 法条保护         第X条/第X款 → __LAW_N__ 占位，处理后还原
Layer 0.5 — 指代消解         扫描姓名 → 分配甲方/乙方/丙方，全文统一替换
Layer 1   — 唯一标识         身份证号、手机号、统一社会信用代码
Layer 2   — 金额             万元/亿元/元，含百分比
Layer 3   — 案号             （YYYY）X民初XXXXX号，含 mapping 还原
Layer 4   — 机构名称         法院、金融机构、政府部门
Layer 5   — 当事人姓名       基于 Layer 0.5 构建的 surname→code 映射
Layer 6   — 日期与地址
Layer 7   — 其他             车牌、邮箱、URL、社交账号
Layer 8   — 清理             去除多余空白
Layer 9   — 还原法条         __LAW_N__ → 原始法条引用

格式保留

• DOCX：Run-by-run 处理，保留字体、加粗、颜色等格式
• PDF：Block-by-block 处理（需含文字层）

完整双向流程

原始文件 → [脱敏] → 脱敏文件 + mapping.json
                          ↓
                     提交 AI 分析
                          ↓
AI 返回文本 → [还原] → 含真实姓名的分析结论

---

支持格式

格式	脱敏	格式保留
.docx	✅	✅ Run-by-run
.pdf（文字层）	✅	✅ Block-by-block
.txt / .md	✅	纯文本
扫描版 PDF	❌ 需先 OCR	—

---

API 参考

from core.processor import process_document, restore_text, load_mapping

# 脱敏单个文件
result = process_document("contract.docx", output_dir="./out")
# result.output_file  → 脱敏后文件路径
# result.mapping_file → mapping JSON 路径
# result.entity_count → 脱敏实体数量

# 还原 AI 分析结果
mapping = load_mapping(result.mapping_file)
restored = restore_text(ai_analysis_text, mapping)

---

已知限制

• 扫描版 PDF（图片型）暂不支持，需含可选中文字层
• 建议人工核查脱敏结果，确认无遗漏实体
• 极复杂嵌套法条引用（如"第87条第2款第3项"）可能需要手动校验

---

技术栈

• Python 3.10+
• Streamlit（UI）
• python-docx（DOCX 处理）
• PyMuPDF / pdfplumber（PDF 处理）

---

License

MIT