1. 上传 Word 到 DeepSeek/ChatGPT 前敏感信息到底藏在哪把一份 Word 合同、简历或者项目周报丢给 DeepSeek、ChatGPT 之前你有没有停下来想过这份文档里到底有多少手机号、身份证号、邮箱、银行卡号我见过太多人直接把带客户名单的 docx 拖进对话框问一句帮我总结一下然后就没然后了。问题在于大模型平台拿到的不是你屏幕上看到的那几段文字而是整份文档的正文加元数据包括作者名、最后修改人、公司内网路径这些你根本没注意的东西。这篇要解决的就是这个场景在 Word 文档送进 DeepSeek 或 ChatGPT 之前先在本地把手机号、身份证、邮箱等敏感字段识别出来并脱敏脱敏后的文档语义不变照样能让模型读懂、总结、改写。适合谁经常用 AI 处理商务文档、法务材料、HR 简历、财务表格的人以及任何对数据外发有顾虑的开发者。核心思路分三步先搞清楚 docx 的文件结构知道敏感信息落在哪个 XML 里再用脚本把正文和元数据提取出来做正则识别最后把命中的敏感串替换成掩码重新打包成 docx。整个过程在本地完成不依赖任何在线服务。识别和脱敏做完之后再通过 TaoToken 统一通道调用 DeepSeek 或 ChatGPT一个 Key 走通多个模型省去到处配密钥的麻烦。下面我会给出可复制的 Python 脚本、TaoToken 的接入配置以及上传前后的对比验证动作。你不需要是安全专家只要能跑 Python 就能跟下来。2. 为什么用 TaoToken 统一通道承接脱敏后的调用脱敏只是前半程后半程是把干净文档送进模型。这里有个现实问题你可能同时想对比 DeepSeek 和 ChatGPT 的输出或者今天用 DeepSeek 省钱、明天用 ChatGPT 处理复杂推理。如果每个平台单独注册、单独管 Key、单独记额度光是密钥管理就够烦的。TaoToken 的做法是提供一个统一通道你用同一个 API Key 就能调用包括 DeepSeek、ChatGPT 在内的多种模型。对脱敏这个场景来说好处很直接脱敏脚本跑完输出一份干净的 docx 或纯文本然后你只需要维护一个 Key、一套调用代码切换模型只改一个模型名参数。官网在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 入口是 https://taotoken.net/api 注意 API 地址不带 UTM 参数。需要提前准备的东西不多一个 TaoToken 账号、一个 API Key、本地 Python 3.8 以上环境。Key 在控制台的 API Keys 页面生成地址是 https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。生成后先存到环境变量里别硬编码进脚本后面配置章节会给具体写法。提示脱敏和调用是两件独立的事。脱敏在本地做调用走 TaoToken。即使你暂时不调用模型脱敏脚本本身也值得单独跑一遍至少知道自己文档里有什么。3. 可复制配置docx 解析、敏感识别与脱敏脚本3.1 理解 docx 结构定位敏感信息所在docx 本质上是个 zip 压缩包把test.docx后缀改成.zip解压会看到一堆 XML。其中两个文件最关键word/document.xml装正文docProps/core.xml装元数据创建者、最后修改者、创建时间。敏感信息基本就藏在这两处。正文里的手机号、身份证在document.xml的w:t标签里作者名、修改人则在core.xml的dc:creator和cp:lastModifiedBy里。所以脱敏要覆盖两块正文文本和元数据。很多人只处理正文结果作者名带着真实姓名就发出去了这是常见的漏点。3.2 安装依赖pip install python-docx lxmlpython-docx负责读写 docxlxml用来处理 XML 解析。如果你要处理更复杂的结构也可以直接用标准库zipfile加re下面脚本两种方式都涉及。3.3 敏感信息识别正则先定义识别规则。身份证、手机号、邮箱、银行卡这几类是高频项import re PATTERNS { id_card: re.compile(r(?!\d)(\d{6})(\d{8})(\d{3})(\d|X)(?!\d)), phone: re.compile(r(?!\d)(1[3-9]\d)(\d{4})(\d{4})(?!\d)), email: re.compile(r([A-Za-z0-9._%-])([A-Za-z0-9.-]\.[A-Za-z]{2,})), bank_card: re.compile(r(?!\d)(\d{4})(\d{4,12})(\d{4})(?!\d)), }身份证保留前 6 位和后 4 位中间打码手机号保留前 3 位后 4 位邮箱保留首字符和域名银行卡保留前 4 后 4。这样既脱敏又不破坏语义模型仍能理解这里有个手机号。3.4 正文脱敏脚本from docx import Document def mask_text(text): text PATTERNS[id_card].sub(r\1**********\4, text) text PATTERNS[phone].sub(r\1****\3, text) text PATTERNS[email].sub(lambda m: m.group(1)[0] *** m.group(2), text) text PATTERNS[bank_card].sub(r\1********\3, text) return text def desensitize_docx(src, dst): doc Document(src) for para in doc.paragraphs: for run in para.runs: if run.text: run.text mask_text(run.text) for table in doc.tables: for row in table.rows: for cell in row.cells: for para in cell.paragraphs: for run in para.runs: if run.text: run.text mask_text(run.text) doc.save(dst) print(f已脱敏保存: {dst})注意run是 Word 里格式一致的最小文本单元直接改run.text能保留原有加粗、字号等格式。表格里的内容也要遍历很多敏感数据恰恰在表格里。3.5 元数据脱敏正文处理完元数据不能漏import zipfile, shutil, os def clean_metadata(src, dst): tmp dst _tmp with zipfile.ZipFile(src, r) as zin: with zipfile.ZipFile(tmp, w, zipfile.ZIP_DEFLATED) as zout: for item in zin.infolist(): data zin.read(item.filename) if item.filename docProps/core.xml: content data.decode(utf-8) content re.sub(rdc:creator.*?/dc:creator, dc:creatoranonymous/dc:creator, content) content re.sub(rcp:lastModifiedBy.*?/cp:lastModifiedBy, cp:lastModifiedByanonymous/cp:lastModifiedBy, content) data content.encode(utf-8) zout.writestr(item, data) shutil.move(tmp, dst)这个函数把core.xml里的创建者和最后修改人替换成anonymous其余文件原样保留保证 docx 结构完整。3.6 一键串联if __name__ __main__: src 原始文档.docx mid 正文已脱敏.docx dst 最终脱敏.docx desensitize_docx(src, mid) clean_metadata(mid, dst) os.remove(mid) print(全流程完成)跑完你会得到一份正文和元数据都处理过的 docx用 Word 打开格式正常敏感字段已变成掩码。4. 验证请求脱敏前后对比与 TaoToken 调用4.1 脱敏前后对比先做本地验证。写个小脚本把原文和脱敏后的文本都打印出来对比from docx import Document def dump(path): doc Document(path) return \n.join(p.text for p in doc.paragraphs if p.text.strip()) print( 脱敏前 ) print(dump(原始文档.docx)[:500]) print( 脱敏后 ) print(dump(最终脱敏.docx)[:500])重点看三处手机号中间四位是否变成****身份证中间十位是否打码邮箱前是否只剩首字符。如果还有漏网的检查是不是被拆到了多个run里——Word 有时会把一个手机号拆成几段这种情况需要先合并段落文本再替换。4.2 通过 TaoToken 调用模型脱敏确认无误后把干净文本送进模型。先配置环境变量export TAOTOKEN_API_KEY你的Key调用示例OpenAI 兼容格式import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlhttps://taotoken.net/api ) resp client.chat.completions.create( modeldeepseek-chat, messages[ {role: system, content: 你是文档摘要助手。}, {role: user, content: dump(最终脱敏.docx)} ] ) print(resp.choices[0].message.content)想换 ChatGPT 就把model改成对应的模型名Key 和 base_url 都不用动。这就是统一通道的价值脱敏脚本输出一份干净文本调用侧只改一个参数就能横向对比不同模型。4.3 成功结果长什么样模型返回的摘要里应该出现某手机号 138****5678这类掩码形式而不是完整号码。如果模型能正常总结出文档要点说明脱敏没有破坏语义如果返回内容里出现了完整敏感串说明脱敏有遗漏回到 4.1 排查。5. 本篇常见错排查问题一脱敏后 docx 打不开或提示损坏。多半是重新打包时目录结构错了。用zipfile重写时writestr的item.filename必须保持原路径不能加额外前缀。如果你用 7z 手动压缩注意不要多套一层文件夹压缩包根目录下应该直接是word/、docProps/这些。问题二手机号没被替换。Word 会把连续文本拆成多个run比如138和12345678分属两个 run单个 run 内匹配不到完整号码。解决办法是先合并段落文本再替换或者用paragraph.text整体处理后再重建 run。简单做法对每个段落把para.text脱敏后清空所有 run写入一个新 run。问题三元数据替换后 Word 提示修复。core.xml的命名空间前缀不能动只替换标签内的文本内容。如果你把dc:creator整个标签删了Word 会报错。用正则只替换标签中间的内容最安全。问题四调用返回 401。检查TAOTOKEN_API_KEY是否设置成功base_url是否写成https://taotoken.net/api不带 UTM。Key 在 https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 生成注意别把控制台地址和 API 地址搞混。问题五模型读不到文档内容。如果你直接把 docx 二进制传给模型它读不懂。正确做法是先用脚本提取纯文本或者把脱敏后的 docx 转成 txt 再传。本文的dump函数就是干这个的。问题六脱敏过度导致语义丢失。比如把所有数字都打码模型就看不懂金额和日期了。正则要精确到敏感字段类型别用宽泛的\d一刀切。6. 把脱敏接进你的日常 AI 工作流整套流程跑通之后你可以把它固化成一个命令行工具python desensitize.py 输入.docx 输出.docx处理完再调用模型。对于经常批量处理文档的人可以加个目录遍历一次脱敏整个文件夹。如果你还在选模型阶段想先对比 DeepSeek 和 ChatGPT 对同一份脱敏文档的理解差异可以直接在模型对话页面测试地址是 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。长期做编码或 Agent 类任务、需要稳定调用额度的可以看 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。接入细节和参数说明在文档里https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。最后提醒一句脱敏脚本的正则要根据你的实际文档调整。身份证有 15 位老格式手机号有带国际区号的写法邮箱有企业域名后缀这些都需要你在PATTERNS里补充规则。跑之前先用几份样本测试确认掩码位置正确、格式没坏再批量处理。数据外发这件事宁可多花五分钟本地验证也别等发出去了才后悔。