172 lines
6.8 KiB
Markdown
172 lines
6.8 KiB
Markdown
---
|
|
name: contract-rework-desensitize
|
|
description: 合同审查返工任务处理+文件脱敏流程。从Nextcloud取返工文件，按事件分组处理，完成后对敏感信息进行脱敏（当事人名称、金额、个人信息），交付脱敏版本。
|
|
tags: [contract, rework, desensitize, docx, nextcloud]
|
|
---
|
|
|
|
# 合同审查返工任务——处理与脱敏
|
|
|
|
## 触发条件
|
|
- 收到返工任务记录文件（通常包含多个"事件"）
|
|
- 需要对已审查合同的修订文件进行脱敏处理
|
|
- Doro或其他指导人要求将返工文件脱敏后归档
|
|
|
|
## 第一阶段：返工文件获取与确认
|
|
|
|
### Step 1: 定位文件
|
|
1. 在Nextcloud的Doro目录下查找返工文件：
|
|
- 主目录：`/var/www/html/data/doro/files/Doro合同审查任务/`
|
|
- 子目录：`待审查/`、`任务交付/`、`参考文件/`
|
|
- 也可能在：`/var/www/html/data/admin/files/小Maggie协作区/`
|
|
2. **必须精确匹配文件名**，"差不多"等于没找到
|
|
3. 找到后先报告：文件名、路径、修改时间，确认后再操作
|
|
|
|
### Step 2: 复制到工作区
|
|
```bash
|
|
# 从Nextcloud容器复制到本地工作目录
|
|
docker cp nextcloud-aio-nextcloud:/var/www/html/data/<user>/files/<path>/<filename> /tmp/rework/
|
|
```
|
|
|
|
### Step 3: 确认返工内容
|
|
- 阅读返工任务记录，理解每个"事件"的返工要求
|
|
- 按事件分组整理对应的合同文件
|
|
- 确认哪些文件需要脱敏
|
|
|
|
## 第二阶段：脱敏处理
|
|
|
|
### 核心原则
|
|
- 使用**XML级别操作**（zipfile + lxml），不用python-docx（它会破坏修订标记）
|
|
- 必须处理**修订标记内容**（w:ins / w:del 中的文本）
|
|
- 需要**多轮扫描**，因为文本可能跨多个XML run被拆分
|
|
- 每轮替换后运行验证脚本确认
|
|
|
|
### Step 4: 建立替换规则
|
|
根据合同内容，确定以下替换映射：
|
|
|
|
| 类别 | 原始内容 | 替换为 |
|
|
|------|---------|--------|
|
|
| 甲方名称 | 具体单位名 | `甲方单位` |
|
|
| 乙方名称 | 具体公司名 | `乙方单位` |
|
|
| 个人姓名 | 法定代表人、联系人等 | `XXX` |
|
|
| 金额 | 具体数字 | `XXXXXX` |
|
|
| 地址 | 具体地址 | `XX路XX号` |
|
|
| 电话 | 手机/座机 | `XXXXXXXXXXX` |
|
|
| 银行账号 | 具体账号 | `XXXXXXXXXXXXXXX` |
|
|
| 统一社会信用代码 | 具体代码 | `XXXXXXXXXXXXXXXXXX` |
|
|
|
|
### Step 5: 执行脱敏（Python脚本）
|
|
|
|
```python
|
|
import zipfile, shutil, os, re, copy
|
|
from lxml import etree
|
|
from io import BytesIO
|
|
|
|
NSMAP = {'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main'}
|
|
|
|
def desensitize_docx(input_path, output_path, replacements):
|
|
"""
|
|
replacements: list of (pattern_str_or_regex, replacement_str)
|
|
"""
|
|
with zipfile.ZipFile(input_path, 'r') as zin:
|
|
with zipfile.ZipFile(output_path, 'w', zipfile.ZIP_DEFLATED) as zout:
|
|
for item in zin.infolist():
|
|
data = zin.read(item.filename)
|
|
if item.filename in ('word/document.xml', 'word/header1.xml',
|
|
'word/header2.xml', 'word/footer1.xml',
|
|
'word/footer2.xml', 'word/comments.xml'):
|
|
data = desensitize_xml(data, replacements)
|
|
zout.writestr(item, data)
|
|
|
|
def desensitize_xml(xml_bytes, replacements):
|
|
tree = etree.fromstring(xml_bytes)
|
|
|
|
# 1) 逐个w:t节点直接替换
|
|
for t_node in tree.iter('{http://schemas.openxmlformats.org/wordprocessingml/2006/main}t'):
|
|
if t_node.text:
|
|
for pattern, repl in replacements:
|
|
t_node.text = t_node.text.replace(pattern, repl)
|
|
|
|
# 2) 处理跨run拆分的情况：拼接同一段落/ins/del内所有w:t的文本，
|
|
# 检查拼接后是否包含敏感词，如果是则在首个匹配run中替换，清空后续run
|
|
for parent in tree.iter():
|
|
runs = parent.findall('.//w:r', NSMAP)
|
|
if len(runs) < 2:
|
|
continue
|
|
full_text = ''
|
|
t_nodes = []
|
|
for r in runs:
|
|
for t in r.findall('.//w:t', NSMAP):
|
|
if t.text:
|
|
full_text += t.text
|
|
t_nodes.append(t)
|
|
if not full_text:
|
|
continue
|
|
for pattern, repl in replacements:
|
|
if pattern in full_text:
|
|
# 重建：把替换后的文本放在第一个t_node，清空其余
|
|
full_text = full_text.replace(pattern, repl)
|
|
if t_nodes:
|
|
t_nodes[0].text = full_text
|
|
for tn in t_nodes[1:]:
|
|
tn.text = ''
|
|
|
|
return etree.tostring(tree, xml_declaration=True, encoding='UTF-8', standalone=True)
|
|
```
|
|
|
|
### Step 6: 验证脱敏结果
|
|
|
|
```python
|
|
def verify_desensitized(docx_path, sensitive_terms):
|
|
"""检查脱敏后文件是否还有残留敏感词"""
|
|
found = []
|
|
with zipfile.ZipFile(docx_path, 'r') as z:
|
|
for fname in z.namelist():
|
|
if fname.endswith('.xml'):
|
|
content = z.read(fname).decode('utf-8', errors='ignore')
|
|
for term in sensitive_terms:
|
|
if term in content:
|
|
found.append((fname, term))
|
|
return found # 空列表 = 全部清除
|
|
```
|
|
|
|
**关键**：如果验证发现残留，分析原因（通常是跨run拆分或变体写法），补充替换规则后重新执行。
|
|
|
|
## 第三阶段：交付
|
|
|
|
### Step 7: 上传到Nextcloud
|
|
```bash
|
|
# 目标目录（按实际需求选择）
|
|
TARGET_DIR="/var/www/html/data/doro/files/Doro合同审查任务/任务交付/"
|
|
# 或
|
|
TARGET_DIR="/var/www/html/data/admin/files/小Maggie协作区/返工任务记录_YYYYMMDD/"
|
|
|
|
# 复制文件
|
|
docker cp /tmp/rework/脱敏后文件.docx nextcloud-aio-nextcloud:$TARGET_DIR
|
|
|
|
# 修正权限
|
|
docker exec nextcloud-aio-nextcloud chown www-data:www-data "$TARGET_DIR/脱敏后文件.docx"
|
|
|
|
# 扫描文件系统
|
|
docker exec -u www-data nextcloud-aio-nextcloud php occ files:scan <username>
|
|
```
|
|
|
|
### Step 8: 打包（如需要）
|
|
```bash
|
|
# 在容器内或本地打ZIP
|
|
cd /tmp/rework && zip -r 返工任务记录_脱敏版_YYYYMMDD.zip *.docx
|
|
```
|
|
|
|
### Step 9: 通知
|
|
- 企微群通知完成情况
|
|
- 说明脱敏了哪些文件、替换了哪些类别的信息
|
|
|
|
## ⚠️ Pitfalls
|
|
|
|
1. **不要用python-docx处理带修订标记的文件**——python-docx会丢失/破坏tracked changes
|
|
2. **文本跨run拆分是常见问题**——Word经常把一个词拆到多个`<w:r><w:t>`节点中，简单的逐节点替换会漏掉
|
|
3. **变体写法**——同一公司名可能出现简称、全称、甚至错别字版本，需要把所有变体都加入替换列表
|
|
4. **header/footer/comments也要处理**——不只是document.xml
|
|
5. **替换顺序**——长字符串先替换，避免短字符串先匹配导致长字符串被部分替换后无法匹配
|
|
6. **文件名不改**——遵循工作原则，不擅自修改文件名
|
|
7. **每次脱敏后必须验证**——运行verify脚本，确认零残留后才能交付
|