💡 Plně funkční příklad je k dispozici na GitHubu:
office-metadata-pii-cleanup-nodejs

Introduction

Upload endpoint přijímá soubor DOCX od zaměstnance a ukládá jej k zákaznickému ticketu. Text je v pořádku. Vlastnosti ne: soubor obsahuje jméno osoby, která jej vytvořila, kolegu, který jej naposledy uložil, manažera oddělení z firemní šablony a, protože přišel ze SharePointu, schvalovatele, který jej odsouhlasil.

Sanitizér metadat je malý skript, který před uložením souboru odstraní tyto vlastnosti a poté zkontroluje svou práci. Tento tutoriál vytvoří takový skript v Node.js s GroupDocs.Metadata ve čtyřech krocích: výběr vlastností podle značky, výběr podle názvu, vymazání všeho, když selektivita přestane pomáhat, a ověření, co zůstalo. Každý krok má jen několik řádků a hotový skript má méně než sto řádků.

Why Metadata Sanitization Matters

Data se hromadí, aniž by si je někdo vybral. Word zapisuje Author a LastSavedBy z účtu operačního systému při každém uložení, udržuje čítač revizí, sleduje TotalEditingTime a zaznamenává LastPrinted. Servery dokumentů přidávají workflow cesty, identifikátory schvalovatelů a URI typů obsahu při check‑in. Žádná z těchto informací se neukazuje při čtení nebo tisku dokumentu, takže korektura je nikdy neodhalí.

Smysl provést to v Node.js místo ručního zásahu je, že skript vrací čísla: každý volání odstranění hlásí, kolik vlastností smazalo, a tento počet lze zapsat do logu, ověřit v testu nebo připojit k záznamu, ke kterému dokument patří.

Existuje i druhý důvod, méně zřejmý, dokud neběží dávková úloha. Ruční čištění je rozhodnutí učiněné jednou na soubor osobou, která jej právě zpracovává, takže dva lidé čistící stejný typ dokumentu dosáhnou různých výsledků. Skript stanoví pravidlo na jednom místě: stejné čtyři značky, stejné seznamy podřetězců, aplikované identicky, ať už fronta obsahuje tři soubory nebo tři tisíce.

Prerequisites

Balíček je Node.js přes Java, takže stroj potřebuje Java runtime vedle Node.

Installation

npm install @groupdocs/groupdocs.metadata

Ukázkový projekt fixuje verzi 26.7 a přidává položku overrides nastavující nan na ^2.22.0, což udržuje nativní vazbu funkční na aktuálních verzích Node. Bez licenčního souboru knihovna běží v evaluačním režimu, což stačí k provedení všech kroků zde.

Step 1 - Select properties by what they mean

Názvy vlastností se liší mezi formáty a balíčky, takže první pravidlo odpovídá na základě značek. ContainsTagSpecification přijímá značku a odpovídá jakékoli vlastnosti, která ji nese; .or() sloučí specifikace do jedné.

const T = groupdocs.Tags;
const spec = new groupdocs.ContainsTagSpecification(T.getPerson().getCreator())
  .or(new groupdocs.ContainsTagSpecification(T.getPerson().getEditor()))
  .or(new groupdocs.ContainsTagSpecification(T.getPerson().getManager()))
  .or(new groupdocs.ContainsTagSpecification(T.getCorporate().getCompany()));
const affected = metadata.removeProperties(spec);
metadata.save(outputPath);

Klíčové body:

  • Čtyři značky pokrývají skupinu identity: tvůrce, editor, manažer a firemní pole společnosti.
  • Název, Předmět a Klíčová slova zůstávají nedotčena, takže index záznamů, který je používá, nadále funguje.
  • removeProperties vrací počet ovlivněných položek místo booleanu.

Zabalte celý kód do try/finally s metadata.close() v finally. Vazba drží soubor otevřený až do té chvíle a smyčka bez ní vyčerpá handly.

Step 2 - Select properties by name

Komentářové vlákna, čítače revizí a serverová pole nemají žádnou značku. Pro ně WithNameSpecification(needle, false) odpovídá jakékoli vlastnosti, jejíž název obsahuje daný podřetězec, a čtyřřádkový builder řetězí jeden builder na každý podřetězec:

let spec = null;
for (const needle of needles) {
  const s = new groupdocs.WithNameSpecification(needle, false /* fullMatch */);
  spec = spec ? spec.or(s) : s;
}
return spec;

Tři průchody znovu použijí tento builder s různými seznamy. Nejprve komentáře:

const affected = metadata.removeProperties(
  nameContainsSpec(['Comment', 'Reviewer', 'Reviewed']));
metadata.save(outputPath);

Časová osa úprav je skupina, která bývá zapomenuta, a je to právě ona, která popisuje, jak byl dokument vytvořen:

const affected = metadata.removeProperties(nameContainsSpec([
  'Revision', 'TrackedChange', 'LastPrinted', 'TotalEditingTime', 'EditTime',
]));
metadata.save(outputPath);

Průchod pro SharePoint je stejný volání s Server, Workflow, Approver, ContentType a Template. Shodování podřetězců je úmyslné: zachytí CommentsCount spolu s Comment bez nutnosti udržovat přesný seznam názvů pro každý formát.

Step 3 - Wipe everything when selectivity stops helping

Pro kopii, která opouští organizaci, jedno volání nahrazuje čtyři průchody:

const affected = metadata.sanitize();
metadata.save(outputPath);

sanitize() vymaže všechny balíčky metadat, které knihovna detekuje, včetně vlastních OOXML částí, a jeho počet obvykle převyšuje součet cílených průchodů. Také odstraní Název a Předmět, což je důvod, proč patří na hranici místo do smyčky revize.

Step 4 - Verify, because a silent miss looks like success

Sken znovu použije stejné specifikace přes findProperties, který čte bez zápisu. Výsledek je Java kolekce, takže se prochází indexem:

const props = metadata.findProperties(tagSpec.or(nameSpec));
for (let i = 0; i < props.getCount(); i++) {
  const p = props.get_Item(i);
  const val = p.getValue && p.getValue();
  const value = val ? String(val.getRawValue ? val.getRawValue() : val) : '';
  if (!value || value === '0' || value === '0.0') continue;
  leaks.push(`${p.getName()}=${value}`);
}

Filtr prázdných a nulových hodnot si zaslouží své místo. Přidal jsem jej poté, co jeden běh selhal na čítači revizí, který byl vymazán na 0, a sken to poctivě hlásil jako přeživší vlastnost.

Complete Working Example

Repozitář propojí šest funkcí do index.js, který načte licenci, spustí každý průchod proti resources/pii-sample.docx, ověří, že každý výstupní soubor existuje, a nakonec potvrdí, že seznam úniků je prázdný. Selhání aserce ukončí proces s nenulovým kódem, takže celý skript funguje jako kontrola v CI místo demo ukázky.

Jedna podrobnost stojí za to zkopírovat do vlastní verze: každý průchod čte stejný zdrojový soubor a zapisuje samostatný výstup, místo aby řetězil jeden vyčištěný soubor do dalšího. To udržuje počty ovlivněných položek nezávislé, takže řádek logu pro průchod komentářů uvádí, co pravidlo komentářů našlo, nikoli co zbylo po průchodu identity.

When should I run a targeted pass instead of sanitize()?

Kdykoli je dokument stále v použití. Soubory cirkulující mezi recenzenty se spoléhají na Název, Předmět a Klíčová slova pro vyhledávání a klasifikaci, a sanitize() odstraňuje všechny tři spolu s osobními údaji. Spusťte průchody identity a komentářů během spolupráce, nechte popisná pole nedotčena a kompletní vymazání nechte pro kopii, která skutečně opouští organizaci.

Real-World Applications

Upload handler

Express route sanitizuje přílohu před zápisem do úložiště, zaznamená počty ovlivněných položek na ticket a odmítne upload, pokud je seznam úniků neprázdný.

Nightly export job

Worker prochází exportní složku, aplikuje průchody identity a serveru a selže úlohu místo pouhého varování, pokud dokument stále hlásí zbylé PII.

Pre-publication gate

Build krok sanitizuje dokumentační přílohy před vydáním, používá sanitize(), protože v těch souborech není potřeba zachovat metadata.

Best Practices and Tips

  • Vždy zapisujte do nové cesty, aby originál přežil pro případné spory.
  • Zavřete objekt metadat v finally bloku, zejména v smyčkách.
  • Sloučujte specifikace pomocí .or() v dávkových úlohách; jedno otevření a jeden zápis překoná čtyři.
  • Logujte počet ovlivněných položek pro každý průchod, včetně nul, aby byl vidět neznámý formát.

Troubleshooting Common Issues

Počet ovlivněných položek je nula u dokumentu, o kterém víte, že je „špinavý“
Zkontrolujte, že vstupní formát je rozpoznán, než usoudíte, že soubor byl čistý; nečtený soubor a čistý soubor vrací stejnou nulu.

Kontrola úniku hlásí vlastnosti, které jste právě odstranili
Ukazujte na uloženou výstupní cestu, ne na vstupní. Sken čte soubor, který mu předáte.

Bubliny komentářů jsou stále viditelné ve Wordu
Text komentáře žije v těle dokumentu, ne v balíčku metadat. GroupDocs.Metadata vymaže vlastnosti související s komentáři; odstranění samotných bublin vyžaduje knihovnu pro úpravu obsahu, např. Aspose.Words.

Conclusion

Čtyři kroky, šest funkcí, jeden skript, který hlásí, co udělal. Specifikace značek řeší skupinu identity napříč formáty, specifikace názvů pokrývají rodiny, které značky neklasifikují, sanitize() řeší hranici a sken úniku promění celý proces na kontrolu. Naklonujte repozitář, spusťte jej proti dokumentu, který prošel reálným recenzním kolem, a podívejte se na počty, než se rozhodnete, které průchody vaše pipeline potřebuje.

Additional Resources