上传文件附件时判断word、excel、txt等是否含有敏感词如身份证号，手机号等

韩发强

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;

1. public class WordToTextConvert
2. {
3.      /// <summary>
4.      /// docx提取成纯文本
5.      /// </summary>
6.      /// <param name="file"></param>
7.      /// <returns></returns>
8.      public static string ExtractTextFromWord(Stream wordFileStream,string fileExt)
9.      {
10.          using (wordFileStream)
11.          {
12.              XWPFDocument doc = new XWPFDocument(wordFileStream);
14.              using (StringWriter writer = new StringWriter())
15.              {
16.                  string text = "";
17.                  foreach (var para in doc.Paragraphs)
18.                  {
19.                      text += para.Text+" ";
20.                  }
22.                  foreach (XWPFTable table in doc.Tables)
23.                  {
24.                      foreach (XWPFTableRow row in table.Rows)
25.                      {
26.                          foreach (XWPFTableCell cell in row.GetTableCells())
27.                          {
28.                              text += cell.GetText() + " ";
29.                          }
30.                      }
31.                      text += "\r\n";
32.                  }
33.                  return text;
34.              }
35.          }
36.      }
37.      /// <summary>
38.      /// doc后缀
39.      /// </summary>
40.      /// <param name="wordFileStream"></param>
41.      /// <param name="fileExt"></param>
42.      /// <returns></returns>
43.      public static string ExtractTextFromWordDoc(Stream wordFileStream, string fileExt)
44.      {
45.          Spire.Doc.Document doc = new Spire.Doc.Document(wordFileStream);
46.          Spire.Doc.Table table = doc.Sections[0].Tables[0] as Table;
47.          string text = doc.GetText()+" ";//获取word文档中的文本
48.          //纯表格可以使用以下方法
49.          //遍历表格内容
50.          for (int i = 0; i < table.Rows.Count; i++)
51.          {
52.              var cellsindex = table.Rows[i].Cells.Count;
53.              for (int j = 0; j < cellsindex; j++)
54.              {
55.                  TableCell cell = table.Rows[i].Cells[j];
56.                  foreach (Paragraph paragraph in cell.Paragraphs)
57.                  {
58.                      text += paragraph.Text+" ";
59.                  }
60.              }
62.              text += "\r\n";
63.          }
64.          return text;
65.      }
66. }

复制代码

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

1. public class ExcelToTextConvert
2. {
3.     /// <summary>
4.     /// 提取成纯文本
5.     /// </summary>
6.     /// <param name="file"></param>
7.     /// <returns></returns>
8.     public static string ExtractTextFromExcel(Stream excelFileStream,string fileExt)
9.     {
10.         using (excelFileStream)
11.         {
12.             string text = "";
14.             IWorkbook workbook=null;
15.             if (fileExt == "xls")
16.             {
17.                 workbook = new HSSFWorkbook(excelFileStream);
18.             }
19.             if (fileExt == "xlsx")
20.             {
21.                 workbook = new XSSFWorkbook(excelFileStream);
22.             }
23.             ISheet sheet = workbook.GetSheetAt(0);
24.             if (sheet != null)
25.             {
26.                 foreach (IRow row in sheet)
27.                 {
28.                     foreach (ICell cell in row)
29.                     {
30.                         switch (cell.CellType)
31.                         {
32.                             case CellType.String:
33.                                 text += cell.StringCellValue + " ";
34.                                 break;
35.                             case CellType.Numeric:
36.                                 text += cell.NumericCellValue + " ";
37.                                 break;
38.                         }
39.                     }
40.                     text += "\r\n";
41.                 }
42.             }
43.             return text;
44.         }
45.     }
46. }

复制代码

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：

1. if ("txt".Contains(fileExt))
2. {
3.     // 确保文件不为null并且有数据
4.     if (postedFile != null && postedFile.ContentLength > 0)
5.     {
6.         using (StreamReader reader = new StreamReader(postedFile.InputStream))
7.         {
8.             // 读取文件内容并返回
9.             string readContent = reader.ReadToEnd();
10.             bool hasMobile = ContainsMobileNumber(readContent);
11.             if (hasMobile)
12.             {
13.                 return "{"status": 0, "msg": "内容中不可含有手机号！"}";
14.             }
15.             bool hasId = ContainsIdNumber(readContent);
16.             if (hasId)
17.             {
18.                 return "{"status": 0, "msg": "内容中不可含有身份证号！"}";
19.             }
20.         }
21.     }
22. }

复制代码

 四、正则校验字符串中是否包含身份证号，手机号等

1. public static bool ContainsMobileNumber(string text)
2. {
3.     // 中国大陆手机号码正则表达式
4.     string pattern = @"1[3-9]\d{9}";
5.     return Regex.IsMatch(text, pattern);
6. }
8. public static bool ContainsIdNumber(string text)
9. {
10.     // 中国大陆身份证号正则表达式
11.     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])";
12.     return Regex.IsMatch(text, pattern);
13. }

复制代码

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.   1 using Spire.Pdf;
2.   2 using Spire.Pdf.Texts;
3.   3 using System.IO;
4.   4
5.   5 using System.Text;
6.   6
7.   7 namespace ExtractText
8.   8
9.   9 {
10. 10
11. 11 internal class Program
12. 12
13. 13 {
14. 14
15. 15 static void Main(string[] args)
16. 16
17. 17 {
18. 18
19. 19 //创建一个 PdfDocument 对象
20. 20
21. 21 PdfDocument doc = new PdfDocument();
22. 22 //加载PDF文件
23. 23
24. 24 doc.LoadFromFile("AI数字人.pdf");
25. 25
26. 26 StringBuilder sb = new StringBuilder();
27. 27
28. 28 foreach (PdfPageBase page in doc.Pages)
29. 29
30. 30 {
31. 31
32. 32 //创建一个PdfTextExtractot 对象
33. 33
34. 34 PdfTextExtractor textExtractor = new PdfTextExtractor(page);
35. 35
36. 36 //创建一个 PdfTextExtractOptions 对象
37. 37
38. 38 PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();
39. 39
40. 40 //将 isExtractAllText 设置为true
41. 41
42. 42 extractOptions.IsExtractAllText = true;
43. 43
44. 44 //从页面中提取文本
45. 45
46. 46 sb.AppendLine(textExtractor.ExtractText(extractOptions));
47. 47
48. 48 }
49. 49
50. 50 //将提取的文本写入 TXT 文件
51. 51
52. 52 File.WriteAllText("提取指定页面文本.txt", sb.ToString());
53. 53
54. 54 }
55. 55
56. 56 }
57. 57
58. 58 }
59. 59
60. 60 读取表格内容：
61. 61
62. 62 using Spire.Pdf;
63. 63
64. 64 using Spire.Pdf.Utilities;
65. 65
66. 66 using System.IO;
67. 67
68. 68 using System.Text;
69. 69
70. 70 namespace ExtractTable{
71. 71 class Program
72. 72 {
73. 73 static void Main(string[] args)
74. 74 {
75. 75 //实例化PdfDocument类的对象
76. 76 PdfDocument pdf = new PdfDocument();
77. 77 //加载PDF文档
78. 78 pdf.LoadFromFile("sample.pdf");
79. 79 //创建StringBuilder类的对象
80. 80 StringBuilder builder = new StringBuilder();
81. 81 //实例化PdfTableExtractor类的对象
82. 82 PdfTableExtractor extractor = new PdfTableExtractor(pdf);
83. 83 //声明PdfTable类的表格数组
84. 84 PdfTable[] tableLists;
85. 85 //遍历PDF页面
86. 86 for (int pageIndex = 0; pageIndex < pdf.Pages.Count; pageIndex++)
87. 87 {
88. 88 //从页面提取表格
89. 89 tableLists = extractor.ExtractTable(pageIndex);
90. 90 //判断表格列表是否为空
91. 91 if (tableLists != null && tableLists.Length > 0)
92. 92 {
93. 93 //遍历表格
94. 94 foreach (PdfTable table in tableLists)
95. 95 {
96. 96 //获取表格中的行和列数
97. 97 int row = table.GetRowCount();
98. 98 int column = table.GetColumnCount();
99. 99 //遍历表格行和列
100. 100 for (int i = 0; i < row; i++)
101. 101 {
102. 102 for (int j = 0; j < column; j++)
103. 103 {
104. 104 //获取行和列中的文本
105. 105 string text = table.GetText(i, j);
106. 106 //写入文本到StringBuilder容器
107. 107 builder.Append(text + " ");
108. 108 }
109. 109 builder.Append("\r\n");
110. 110 }
111. 111 }
112. 112 }
113. 113 }
114. 114 //保存提取的表格内容为.txt文档
115. 115 File.WriteAllText("ExtractedTable.txt", builder.ToString());
116. 116 }
117. 117 }
118. 118
119. 119 }

复制代码

读取PDF的内容，文本、表格、图片 
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。
 
出处：http://www.cnblogs.com/oorz/Q群：NET CORE技术交流（444036561）

微信公众号：“专卓”；因为专业，所以卓越！可扫描左侧二维码关注。本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
来源:https://www.cnblogs.com/oorz/p/18067714
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！