上传附件判断word、excel、txt等文档中是否含有敏感词如身份证号，手机号等，其它检测如PDF，图片（OCR）等可以自行扩展。
互联网项目中，展示的数据中不能包含个人信息等敏感信息。判断word中是否包含手机号，word正文中是否包含身份证号等敏感信息，通过正则表达式判断匹配手机号，身份证号，以下做为参考。会出现碰撞错误，碰撞不准确等情况，不在本文范围。
开发语言C#，框架asp.net webform。由于上传文件是做的判断，所以这里是判断数据流HttpPostedFile postedFile中的内容。通过load本地文件，本文不做过多介绍。
一、word校验身份证号，手机号
获取word中内容最初用的是npoi插件，office的插件导入导出以前用的比较多，npoi只获取docx文档文本，npoi获取doc后缀有问题，又找的Spire.Doc。可以都使用后者，笔者只简单测试了doc后缀，其它复杂情况没具体测试。有时间的推荐Spire，因为附件中pdf也是一个大项，刚好有对应的using Spire.Pdf;
using NPOI.XWPF.UserModel;
using Spire.Doc;
using Spire.Doc.Documents;
public class WordToTextConvert { /// <summary> /// docx提取成纯文本 /// </summary> /// <param name="file"></param> /// <returns></returns> public static string ExtractTextFromWord(Stream wordFileStream,string fileExt) { using (wordFileStream) { XWPFDocument doc = new XWPFDocument(wordFileStream); using (StringWriter writer = new StringWriter()) { string text = ""; foreach (var para in doc.Paragraphs) { text += para.Text+" "; } foreach (XWPFTable table in doc.Tables) { foreach (XWPFTableRow row in table.Rows) { foreach (XWPFTableCell cell in row.GetTableCells()) { text += cell.GetText() + " "; } } text += "\r\n"; } return text; } } } /// <summary> /// doc后缀 /// </summary> /// <param name="wordFileStream"></param> /// <param name="fileExt"></param> /// <returns></returns> public static string ExtractTextFromWordDoc(Stream wordFileStream, string fileExt) { Spire.Doc.Document doc = new Spire.Doc.Document(wordFileStream); Spire.Doc.Table table = doc.Sections[0].Tables[0] as Table; string text = doc.GetText()+" ";//获取word文档中的文本 //纯表格可以使用以下方法 //遍历表格内容 for (int i = 0; i < table.Rows.Count; i++) { var cellsindex = table.Rows[i].Cells.Count; for (int j = 0; j < cellsindex; j++) { TableCell cell = table.Rows[i].Cells[j]; foreach (Paragraph paragraph in cell.Paragraphs) { text += paragraph.Text+" "; } } text += "\r\n"; } return text; } }
二、EXCEL校验校验身份证号，手机号
npoi处理excel时要判断后缀，xls和xlsx使用的类不同
public class ExcelToTextConvert { /// <summary> /// 提取成纯文本 /// </summary> /// <param name="file"></param> /// <returns></returns> public static string ExtractTextFromExcel(Stream excelFileStream,string fileExt) { using (excelFileStream) { string text = ""; IWorkbook workbook=null; if (fileExt == "xls") { workbook = new HSSFWorkbook(excelFileStream); } if (fileExt == "xlsx") { workbook = new XSSFWorkbook(excelFileStream); } ISheet sheet = workbook.GetSheetAt(0); if (sheet != null) { foreach (IRow row in sheet) { foreach (ICell cell in row) { switch (cell.CellType) { case CellType.String: text += cell.StringCellValue + " "; break; case CellType.Numeric: text += cell.NumericCellValue + " "; break; } } text += "\r\n"; } } return text; } } }
三、txt校验校验身份证号，手机号
获取文件流的内容，文本文件可以直接读取。方法如下：
if ("txt".Contains(fileExt)) { // 确保文件不为null并且有数据 if (postedFile != null && postedFile.ContentLength > 0) { using (StreamReader reader = new StreamReader(postedFile.InputStream)) { // 读取文件内容并返回 string readContent = reader.ReadToEnd(); bool hasMobile = ContainsMobileNumber(readContent); if (hasMobile) { return "{\"status\": 0, \"msg\": \"内容中不可含有手机号！\"}"; } bool hasId = ContainsIdNumber(readContent); if (hasId) { return "{\"status\": 0, \"msg\": \"内容中不可含有身份证号！\"}"; } } } }
四、正则校验字符串中是否包含身份证号，手机号等
public static bool ContainsMobileNumber(string text) { // 中国大陆手机号码正则表达式 string pattern = @"1[3-9]\d{9}"; return Regex.IsMatch(text, pattern); } public static bool ContainsIdNumber(string text) { // 中国大陆身份证号正则表达式 string pattern = @"[1-9]\d{5}(18|19|20)?\d{2}(0[1-9]|1[0-2])(0[1-9]|[12]\d|3[01])\d{3}(\d|[Xx])"; return Regex.IsMatch(text, pattern); }
五、读取pdf方法，未做项目验证，请自行搜索相关方法
供参考：读取显示PDF需要借助PDF库，国内Spire.PDF可以读取PDF内容，包括文本，图片以及表格，你可以通过NuGet搜索安装
1 using Spire.Pdf; 2 using Spire.Pdf.Texts; 3 using System.IO; 4 5 using System.Text; 6 7 namespace ExtractText 8 9 { 10 11 internal class Program 12 13 { 14 15 static void Main(string[] args) 16 17 { 18 19 //创建一个 PdfDocument 对象 20 21 PdfDocument doc = new PdfDocument(); 22 //加载PDF文件 23 24 doc.LoadFromFile("AI数字人.pdf"); 25 26 StringBuilder sb = new StringBuilder(); 27 28 foreach (PdfPageBase page in doc.Pages) 29 30 { 31 32 //创建一个PdfTextExtractot 对象 33 34 PdfTextExtractor textExtractor = new PdfTextExtractor(page); 35 36 //创建一个 PdfTextExtractOptions 对象 37 38 PdfTextExtractOptions extractOptions = new PdfTextExtractOptions(); 39 40 //将 isExtractAllText 设置为true 41 42 extractOptions.IsExtractAllText = true; 43 44 //从页面中提取文本 45 46 sb.AppendLine(textExtractor.ExtractText(extractOptions)); 47 48 } 49 50 //将提取的文本写入 TXT 文件 51 52 File.WriteAllText("提取指定页面文本.txt", sb.ToString()); 53 54 } 55 56 } 57 58 } 59 60 读取表格内容： 61 62 using Spire.Pdf; 63 64 using Spire.Pdf.Utilities; 65 66 using System.IO; 67 68 using System.Text; 69 70 namespace ExtractTable{ 71 class Program 72 { 73 static void Main(string[] args) 74 { 75 //实例化PdfDocument类的对象 76 PdfDocument pdf = new PdfDocument(); 77 //加载PDF文档 78 pdf.LoadFromFile("sample.pdf"); 79 //创建StringBuilder类的对象 80 StringBuilder builder = new StringBuilder(); 81 //实例化PdfTableExtractor类的对象 82 PdfTableExtractor extractor = new PdfTableExtractor(pdf); 83 //声明PdfTable类的表格数组 84 PdfTable[] tableLists; 85 //遍历PDF页面 86 for (int pageIndex = 0; pageIndex < pdf.Pages.Count; pageIndex++) 87 { 88 //从页面提取表格 89 tableLists = extractor.ExtractTable(pageIndex); 90 //判断表格列表是否为空 91 if (tableLists != null && tableLists.Length > 0) 92 { 93 //遍历表格 94 foreach (PdfTable table in tableLists) 95 { 96 //获取表格中的行和列数 97 int row = table.GetRowCount(); 98 int column = table.GetColumnCount(); 99 //遍历表格行和列 100 for (int i = 0; i < row; i++) 101 { 102 for (int j = 0; j < column; j++) 103 { 104 //获取行和列中的文本 105 string text = table.GetText(i, j); 106 //写入文本到StringBuilder容器 107 builder.Append(text + " "); 108 } 109 builder.Append("\r\n"); 110 } 111 } 112 } 113 } 114 //保存提取的表格内容为.txt文档 115 File.WriteAllText("ExtractedTable.txt", builder.ToString()); 116 } 117 } 118 119 }
总结：尽一切合理努力保护用户个人信息， 并对个人信息进行保护。为防止用户个人信息在意外的、未经授权的情况下泄漏。
压缩包内容校验基本方法同上，先解压缩，再逐文件处理。本文直接判断有敏感词，不让上传，也可以通过正则把信息替换成****后再转存，这里不再展开。
如有专门的更好用的插件请留言告知讨论，避免重复造轮子。