📱X-ray.

x-ray — это небольшая, но очень полезная Python‑библиотека и CLI‑утилита для поиска «плохих» редактирований в PDF: тех случаев, когда поверх текста просто нарисовали чёрный прямоугольник, но сам текст под ним по‑прежнему можно выделить и прочитать.

❓Зачем нужен x-ray:

🔘Free Law Project собирает миллионы судебных и других PDF‑документов и регулярно сталкивается с тем, что конфиденциальные данные замазывают «криво», оставляя текст доступным под чёрной плашкой.

🔘x-ray создавался как способ автоматически находить такие провальные редактирования, чтобы оценивать масштаб проблемы и предотвращать утечки до публикации документов.

🔹Как это работает внутри:

🔘x-ray использует PyMuPDF для высокопроизводительного парсинга PDF.

🔘Алгоритм в общих чертах: найти прямоугольники, найти буквы в тех же координатах, отрендерить прямоугольник в картинку и проверить, является ли он однородным по цвету; если да и под ним есть текст, это помечается как «плохая» редакция.

🔻Пример:

from pathlib import Path
from pprint import pprint
import xray

# 1. Указываем путь к PDF
pdf_path = Path("docs/sample.pdf")

# 2. Запускаем проверку: xray сам откроет файл и проанализирует его
bad_redactions = xray.inspect(pdf_path)

# 3. Структура результата:
# {
#   1: [
#     {
#       "bbox": (x1, y1, x2, y2),  # координаты «чёрного прямоугольника»
#       "text": "утёкший текст под ним"
#     },
#     ...
#   ],
#   2: [...],
#   ...
# }
pprint(bad_redactions)

# 4. Пример пост‑обработки: просто напечатаем найденные утечки по страницам
if not bad_redactions:
    print("Плохих редактирований не найдено.")
else:
    for page, items in bad_redactions.items():
        print(f"\nСтраница {page}:")
        for item in items:
            bbox = item["bbox"]
            text = item["text"]
            print(f"  BBox: {bbox}")
            print(f"  Текст: {text}")

Ключевые моменты: xray.inspect(...) принимает путь, URL или bytes; возвращает словарь, где ключи — номера страниц, а значения — списки словарей с координатами прямоугольника (bbox) и текстом, который под ним всё ещё читается.

#xray #Python #PDF #Redaction #BadRedactions #InfoSec #Privacy #LegalTech #PyMuPDF #CLI

📱Ссылка на репозиторий:
https://github.com/freelawproject/x-ray