Γιατί Η Μορφή Εγγράφου Σημαίνει

Έγγραφο Word (.docx):

XML structure με πολλαπλά τμήματα
Track changes αποθηκεύει παλαιά PII
Comments αποθηκεύουν ονόματα συντακτών
Document properties: Author, Last Modified By

PDF:

Δύο τύποι: ψηφιακά δημιουργημένα (text layer) vs scanned (image layer)
Για scanned: OCR χρειάζεται πρώτα
Για ψηφιακά: XMP metadata + content streams
Annotations, comments, embedded fonts με PII

Excel (.xlsx):

Κελιά, formulas, named ranges
PII μπορεί να βρίσκεται σε formulas (=VLOOKUP(A1, ...))
Hidden sheets, hidden rows
External data connections

Plain text (.txt, .csv, .json):

Πιο απλό αλλά χωρίς δομή context
CSV: επικεφαλίδες στήλης ως context για τύπο PII
JSON: nested structures, arrays

Unified Parser Architecture

Επίπεδο 1: Format Detection

def detect_format(file_path):
    magic = read_magic_bytes(file_path)
    if magic == b'PK':  # ZIP header
        return 'docx' or 'xlsx' (check internal structure)
    if magic == b'%PDF':
        return 'pdf'
    ...

Επίπεδο 2: Format-Specific Extraction Κάθε parser εξάγει plain text + structure metadata

Επίπεδο 3: PII Detection Κοινή μηχανή ανίχνευσης PII για όλες τις μορφές

Επίπεδο 4: Format-Specific Reconstruction Αντικατάσταση PII διατηρώντας original μορφοποίηση

Πηγές:

Σχετικά Άρθρα

Τεχνικά

Cross-Platform PII: Mac, Linux, and Windows

Privacy officers on Mac, legal on Windows, data engineers on Linux — all processing the same data with different tools. Here's why OS-agnostic detection.

Τεχνικά