沃巴蒂
ff22ed3a8b
本次同步 09-12 至 09-28 的代码变更，主要内容： 新增功能 - 修改密码：后端新增 ChangePasswordRequest DTO 与UserController/UserService 对应接口，前端新增 ChangePasswordDialog 并在 Header 接入入口 - 文件预览组件重构：file-preview 目录拆分出 VideoPreview（支持 blobUrl 直传）、 ImagePreview、AudioPreview，index.tsx 统一调度各类型预览器 - 新增 my_ops 算子模块：markitdown_parser、mineru_pdf_parser、text_quality_evaluator - 新增 tools/minio-file-server MinIO 文件服务 功能增强 - 数据清洗：cleaning_task_service/scheduler/routes 重构， data_juicer_executor 与 wrapper 增强，OperatorTable/LogsTable/TaskDetail 同步调整 - 数据标注：annotation sync.py、project.py 接口与schema 更新 - 数据采集、算子市场、首页与菜单路由相关页面调整 - DataJuicer 算子接入（useOperatorOperations、dj_ops_schema） 结构调整 - deepflow/ 更名为 deep-flow/（419 个文件重命名） - 新增 helm 部署编排、GitHub Actions 之外的自建镜像构建脚本 未纳入本次提交 - scripts-backup/、runtime/python-executor-backup/、components_backup/（备份目录） - *.backup*、__pycache__ 产物 - zh_core_web_sm-3.8.0-py3-none-any.whl（46MB 构建产物） - DataX/（内嵌独立仓库，远程亦未收录其源码）
53 lines
2.3 KiB
Python
53 lines
2.3 KiB
Python
#!/user/bin/python
|
||
|
||
# -*- coding: utf-8 -*-
|
||
|
||
|
||
|
||
"""
|
||
|
||
Description: 电话号码匿名化
|
||
|
||
Create: 2024/12/26 15:43
|
||
|
||
"""
|
||
|
||
import re
|
||
|
||
import time
|
||
|
||
from typing import Dict, Any
|
||
|
||
|
||
|
||
from loguru import logger
|
||
|
||
|
||
|
||
from deepdata.core.base_op import Mapper
|
||
|
||
|
||
|
||
|
||
|
||
class AnonymizedPhoneNumber(Mapper):
|
||
|
||
def __init__(self, *args, **kwargs):
|
||
|
||
super().__init__(*args, **kwargs)
|
||
|
||
self.phone_re_compile = self.get_phone_re_compile()
|
||
|
||
|
||
|
||
@staticmethod
|
||
|
||
def get_phone_re_compile():
|
||
|
||
"""按照格式粗略匹配电话号码，支持以下格式电话号码
|
||
|
||
前缀：（0086）、（86）、(0086)、(86) 、无
|
||
|
||
电话号码：第一位1，第二位3-9，后续数字可以为0-9，数字按照3-4-4进行间隔，间隔符为空格、-、无
|
||
|
||
固定电话号码：0AX-CXXX-XXXX、0BXX-CXXX-XXXX、0BXX-CXX-XXXX A为1-2、B为3-9、C为2-8、X为0-9
|
||
|
||
约束：电话号码前后皆为非数字
|
||
|
||
"""
|
||
|
||
number_prefix = r'([\(（]?\+?(00)?86[)\）]?[- ]?)?'
|
||
|
||
cellphone_pattern = r"1[3-9]\d[- ]?\d{4}[- ]?\d{4}"
|
||
|
||
landline_pattern = (r'[(（]?(0?[12]\d)[)）]?[ -]?[2-8]\d{3}[ -]?\d{4}'
|
||
|
||
r'|[(（]?(0?[3-9]\d{2})[)）]?[ -]?[2-8]\d{2}\d?[ -]?\d{4}')
|
||
|
||
phone_numbers_pattern = rf'(?<=[^\d]){number_prefix}({cellphone_pattern}|{landline_pattern})(?=[^\d])'
|
||
|
||
phone_re_compile = re.compile(phone_numbers_pattern)
|
||
|
||
return phone_re_compile
|
||
|
||
|
||
|
||
def execute(self, sample: Dict[str, Any]) -> Dict[str, Any]:
|
||
|
||
start = time.time()
|
||
|
||
self.read_file_first(sample)
|
||
|
||
sample[self.text_key] = self._phone_number_filter(sample[self.text_key])
|
||
|
||
logger.info(
|
||
|
||
f"fileName: {sample[self.filename_key]}, method: PhoneNumberCleaner costs {time.time() - start:.6f} s")
|
||
|
||
return sample
|
||
|
||
|
||
|
||
def _phone_number_filter(self, input_data: str):
|
||
|
||
""" 电话号码匿名化"""
|
||
|
||
# 正则匹配：电话号码前需匹配不是数字的字符串
|
||
|
||
# 为避免处于文章开头和结尾的电话号码不可被识别，需要在输入字符串的前后手动加上字符串
|
||
|
||
input_data = ''.join(['【', input_data, '】'])
|
||
|
||
input_data = self.phone_re_compile.sub("<tel>", input_data)
|
||
|
||
return input_data[1:-1]
|
||
|