PDF Redaction

Bibliothek zum PDF-Schwärzen für Python und JavaScript

Personenbezogene Daten in PDFs direkt aus Ihrem Code finden und schwärzen. ScaleDP (Python) und ScaleDP-TS (JavaScript) verbinden OCR für gescannte PDFs, KI-Entitätserkennung und Schwärzung in einer Pipeline – auf Ihren eigenen Servern oder vollständig im Browser.

Open Source unter der AGPL-3.0-Lizenz

Python
pip install scaledp
JavaScript / TypeScript
npm install @stabrise/scaledp

PDFs in Python schwärzen mit ScaleDP

ScaleDP ist eine Open-Source-Python-Bibliothek für Document-AI-Pipelines. Laden Sie PDFs in einen Pandas- oder Spark-DataFrame, führen Sie OCR aus und erkennen Sie personenbezogene Daten mit NER-Modellen, um zu finden, was geschwärzt werden muss.

KI-gestützte Schwärzung

Erkennt und schwärzt automatisch personenbezogene Daten wie Namen, Orte, E-Mails und Datumsangaben.

Kontextbezogene Genauigkeit

Nutzt fortschrittliche KI, um den Kontext zu verstehen und präzise zu schwärzen.

Gescannte Dokumente (OCR)

Integrierte OCR mit Tesseract, EasyOCR, Surya oder docTR erkennt und schwärzt Text in gescannten Bildern und PDFs.

Lokal oder auf Spark

Nutzen Sie sie als normale Python-Bibliothek auf einem Rechner oder skalieren Sie dieselbe Pipeline auf Apache Spark, um Tausende Dokumente zu schwärzen.

Mehrsprachig

Unterstützt gängige Sprachen: Englisch, Spanisch, Deutsch, Italienisch, Russisch und weitere.

Passt in Ihren Daten-Stack

Arbeitet mit Pandas- und Spark-DataFrames, sodass sich die Schwärzung in bestehende Daten-Workflows und ML-Pipelines einfügt.

Python-Beispiel: OCR und Erkennung personenbezogener Daten

pip install scaledp
from scaledp import *

spark = ScaleDPSession()

pipeline = PipelineModel(stages=[
    PdfDataToImage(),
    TesseractOcr(),
    Ner(model="d4data/biomedical-ner-all"),
])

result = pipeline.transform(df)

PDFs in JavaScript schwärzen, direkt im Browser

ScaleDP-TS ist das TypeScript-Gegenstück zu ScaleDP. Installieren Sie @stabrise/scaledp, und dieselbe Art von Pipeline läuft clientseitig in modernen HTML5-Browsern auf onnxruntime-web – Dokumente werden nie hochgeladen.

Kein Upload, kein Server

Dokumente verlassen nie den Browser. OCR, NER und Schwärzung laufen vollständig clientseitig.

Läuft auf onnxruntime-web

Modelle laufen lokal über WebAssembly oder WebGPU, ohne Umweg über einen Server.

OCR im Browser

PaddleOCR erkennt Text in gescannten Bildern und PDFs.

Zero-Shot-NER

Mit GLiNER definieren Sie Entitätstypen wie „person“ oder „email“ beim Aufruf – ohne Nachtraining.

Erkennung von Unterschriften & Gesichtern

YOLO-basierte Detektoren finden Unterschriften und Gesichter zum Schwärzen.

Modular & kombinierbar

Importieren Sie nur, was Sie brauchen (/pdf, /ocr, /ner, /detect), und verketten Sie Schritte mit einer einfachen Pipeline-API.

TypeScript-Beispiel: OCR und Erkennung personenbezogener Daten im Browser

npm install @stabrise/scaledp
import { Pipeline } from '@stabrise/scaledp'
import { PdfToImage } from '@stabrise/scaledp/pdf'
import { PaddleTextRecognizer } from '@stabrise/scaledp/ocr'
import { GlinerNer } from '@stabrise/scaledp/ner'

const pipeline = new Pipeline([
  new PdfToImage({ resolution: 300 }),
  new PaddleTextRecognizer({ preset: 'v6-small' }),
  new GlinerNer({ labels: ['person', 'email', 'phone'] }),
])

const rows = await pipeline.transform(file)

Bibliothek oder API: Was brauchen Sie?

Open-Source-Bibliothek

  • Sie betreiben sie selbst: auf Ihren Servern, Ihrem Spark-Cluster oder im Browser der Nutzer
  • Python (ScaleDP) oder JavaScript und TypeScript (ScaleDP-TS)
  • Kostenlos unter AGPL-3.0
  • Sie wählen und verwalten die OCR- und NER-Modelle

PDF-Schwärzungs-API & SDK

  • Verwaltete REST-API, auch selbst gehostet verfügbar
  • Aufruf aus jeder Programmiersprache über HTTP
  • Kostenloses Kontingent, danach Abrechnung pro Seite
  • Für den Produktionseinsatz abgestimmte Erkennung von PII, Unterschriften, Fotos und QR-Codes
Zur PDF-Schwärzungs-API & SDK

So schwärzen Sie ein PDF in Python oder JavaScript

Ein PDF per Code zu schwärzen erfordert drei Schritte: den Text gewinnen, die sensiblen Stellen finden und sie von der Seite entfernen. In einem digitalen PDF steckt der Text bereits in der Datei. Ein gescanntes PDF ist ein Bild, daher muss der Text zuerst per OCR erkannt werden. ScaleDP unterstützt Tesseract, EasyOCR, Surya und docTR – so schwärzen Sie gescannte PDFs in Python mit der OCR-Engine, die zu Ihren Dokumenten passt.

Bei der Erkennung ist eine Bibliothek regulären Ausdrücken überlegen. Muster finden E-Mail-Adressen und Telefonnummern, übersehen aber Namen, Adressen und medizinische Begriffe. ScaleDP wendet NER-Modelle von Hugging Face auf das OCR-Ergebnis an und liefert jede Entität mit ihrer Position auf der Seite, bereit zum Schwärzen. Dieselbe Pipeline läuft auf einem Rechner mit Pandas oder auf einem Apache-Spark-Cluster, wenn Sie Tausende Dateien verarbeiten.

Für Web-Apps bringt ScaleDP-TS die Pipeline nach JavaScript und TypeScript. PDF-Rendering, PaddleOCR-Texterkennung, GLiNER-Entitätserkennung sowie YOLO-Erkennung von Unterschriften und Gesichtern laufen im Browser über WebAssembly oder WebGPU. Da nichts hochgeladen wird, eignet sich ScaleDP-TS zum PDF-Schwärzen in HTML5-Anwendungen, bei denen Dokumente auf dem Gerät der Nutzer bleiben müssen.

Beide Bibliotheken sind unter AGPL-3.0 kostenlos, Hosting und Abstimmung der Modelle übernehmen Sie selbst. Wenn Sie lieber einen verwalteten Dienst aus jeder Programmiersprache aufrufen oder die AGPL-Pflichten aus Ihrer Codebasis heraushalten möchten, nutzen Sie die API zum PDF-Schwärzen. Für einzelne Dokumente brauchen Sie mit dem Online-Editor gar keinen Code.

Häufige Fragen zur Bibliothek zum PDF-Schwärzen

Ist die Bibliothek zum PDF-Schwärzen kostenlos und Open Source?
Ja. ScaleDP und ScaleDP-TS sind Open Source unter der GNU AGPL-3.0. Sie können sie kostenlos nutzen, anpassen und selbst hosten. Die AGPL-3.0 verlangt, dass Sie Ihre Änderungen unter derselben Lizenz offenlegen, wenn Sie den Code verändern und anderen zur Verfügung stellen – auch über ein Netzwerk.
Wie schwärze ich ein PDF in Python?
Installieren Sie ScaleDP mit pip install scaledp und bauen Sie eine Pipeline: PDF-Seiten in Bilder umwandeln, OCR ausführen (Tesseract, EasyOCR, Surya oder docTR) und personenbezogene Daten mit einem NER-Modell erkennen. Jede erkannte Entität kommt mit ihrer Position auf der Seite, sodass Sie wissen, welche Bereiche geschwärzt werden müssen. Das läuft auf einem einzelnen Rechner mit Pandas oder auf Apache Spark.
Kann ich PDFs mit JavaScript im Browser schwärzen?
Ja. ScaleDP-TS (npm install @stabrise/scaledp) führt PDF-Rendering, OCR und Entitätserkennung clientseitig mit onnxruntime-web über WebAssembly oder WebGPU aus. Es funktioniert in modernen HTML5-Browsern, und die Dokumente verlassen das Gerät der Nutzer nie.
Soll ich ScaleDP (Python) oder ScaleDP-TS (JavaScript) verwenden?
Nutzen Sie ScaleDP für serverseitige und Batch-Jobs in Python, auf einem einzelnen Rechner oder skaliert auf Apache Spark. Nutzen Sie ScaleDP-TS, wenn Dokumente auf dem Gerät der Nutzer bleiben müssen: Es führt OCR, PII-Erkennung und Schwärzung mit onnxruntime-web im Browser aus.
Brauche ich Apache Spark für ScaleDP?
Nein. ScaleDP funktioniert als normale Python-Bibliothek auf einem einzelnen Rechner mit Pandas-DataFrames. Apache Spark ist optional und nur nötig, wenn Sie die Verarbeitung auf einen Cluster verteilen möchten.
Kann die Bibliothek gescannte PDFs schwärzen?
Ja. Beide Bibliotheken enthalten OCR. ScaleDP unterstützt Tesseract, EasyOCR, Surya und docTR, ScaleDP-TS nutzt PaddleOCR im Browser. So kann Text in gescannten Seiten und Bildern erkannt und geschwärzt werden.
Lädt ScaleDP-TS meine Dokumente auf einen Server hoch?
Nein. ScaleDP-TS läuft vollständig clientseitig: PDF-Rendering, OCR und Entitätserkennung laufen im Browser über WebAssembly oder WebGPU. Nur die Modelldateien werden heruntergeladen; Ihre Dokumente verlassen das Gerät nie.
Wann sollte ich statt der Bibliothek die PDF-Schwärzungs-API nutzen?
Wählen Sie die API, wenn Sie einen verwalteten Dienst möchten, den Sie aus jeder Programmiersprache aufrufen können, ohne selbst Modelle zu hosten, oder wenn Sie die Pflichten der AGPL-3.0 nicht in Ihre eigene Codebasis übernehmen möchten.

Bauen Sie PDF-Schwärzung in Ihr Produkt ein

Sie brauchen Hilfe, ScaleDP in Ihre Pipeline zu integrieren? Sprechen Sie mit den ML- und Data-Engineers, die es entwickeln – über OCR, Erkennung personenbezogener Daten und große Dokumentmengen.