第三章　材料进来：识别、脱敏、命名、索引

先说结论

尽调最耗时间的不是法律分析，是把一屋子材料变成能查的东西。这一章讲四个动作，每一个都能省下几十小时，也都能埋下大坑。

一、扫描件识别：选错引擎，后面全是错的

现实情况

企业提供的材料，大量是扫描件：营业执照复印件、合同扫描、判决书 PDF、盖章文件拍照。这些文件没有文字层，直接搜索搜不到，直接给 AI 看不了。

一本 651 页的扫描版专业书，用工具打开，get_text() 返回空字符串——一个字都没有。

引擎实测

同一页、同一 300dpi、同一台机器，两种引擎的结果：

项目	Tesseract（chi_sim）	RapidOCR（PP-OCR ONNX）
汉字间距	每个字之间插空格：「法律尽职调查指引」	正常连排
标点	全角转半角，句号变逗号	全角标点正确
错字	「瑕疵」→「瑕首」「瑕狂」；「应予」→「子」；「出让」→「出证」	基本正确
表格	丢失表头结构	能读出「文件名／具体条款规定／法律问题」
速度	5.0 秒／页	6.2 秒／页（部分页更快）

结论：中文法律文本一律用 RapidOCR。 Tesseract 只在纯英文或版面极简时用。

为什么差这么多：Tesseract 的 chi_sim 模型训练语料以通用文本为主，对中文排版的字间距处理有缺陷；PP-OCR 是专门针对中文场景训练的，检测阶段就会把整行作为一个文本块处理。

落地做法

import fitz
from rapidocr_onnxruntime import RapidOCR

engine = RapidOCR()
doc = fitz.open("材料.pdf")
for i in range(doc.page_count):
    pix = doc[i].get_pixmap(dpi=300)      # 300dpi 是准确率与速度的平衡点
    pix.save("_tmp.png")
    res, _ = engine("_tmp.png")
    text = "\n".join(x[1] for x in res) if res else ""
    open("ocr/p%03d.txt" % (i + 1), "w", encoding="utf-8").write(text)

三个参数要点：

dpi 用 300。低于 200 小字识别率明显下降；高于 400 速度翻倍但准确率提升有限。
逐页落盘，不要一次跑完再写。中断后可以跳过已存在的文件续跑。
保留页码。后续引用证据要能回到“第几页”。

识别之后必须做的事

OCR 结果不能直接当证据。三件事必须人工回原件：

关键条款的数字（金额、比例、期限）
签章是否存在、是否清晰
附件是否齐全（OCR 只识别有字的页，空白页和图片页会漏）

二、脱敏：一键本地跑完，不出网

为什么必须脱敏

客户材料进入任何云端模型之前，必须先脱敏。这不是谨慎，是执业义务——律师对委托人信息负有保密义务，把未脱敏材料发给第三方 AI 服务，等于把客户信息交给了不受控的第三方。

一条命令

本机工具 mask（本地运行，不联网）：

# 第一步：PDF 转文本（有文字层直接抽，扫描页自动 OCR）
mask pdf2txt -i "材料.pdf" -o "工作/text"

# 第二步：脱敏（reversible 模式，生成代号 + 映射表）
mask redact -i "工作/text" -o "工作/masked" --mode reversible

# 第三步：自检残留（送外部模型前必跑）
mask check "工作/masked"

# 第四步：拿到模型返回稿后回填
mask restore -m "工作/masked/mapping.json" -i "模型返回.md" -o "成品.md"

三种模式怎么选

模式	用途	特点
`reversible`	送 AI 处理，之后要还原	生成 `[[CO-001]]` 这类代号 + 映射表
`production`	交法院、给对方、给客户	保留主体名、案号、金额；掩掉证件号、手机号、账号、车牌
`irreversible`	发布、入库、做素材	代号不可逆，无法还原

最常犯的错：拿 reversible 的稿子去发布。代号一旦发出去，映射表在你手上也没用了——读者看到的是一堆 [[CO-001]]。

首次使用：先跑 dry-run

陌生当事人、陌生行业术语，第一次先看命中报告：

mask redact -i "工作/text" --dry-run --report "命中.json"

看什么：

公司名、人名、金额的命中数量对不对
有没有把普通词误判成人名（“王先生”里的“王”）
有没有漏掉的简称、代称

确认后把这些补进词典，再正式跑。

脱敏之后的自检

mask check 会扫残留。但自检通过不等于安全——它只能查它认识的模式。两类东西要人工再看一遍：

行业特有表述（“我们那个华东最大的 XX 项目”）
能反推到具体主体的组合信息（成立时间 + 注册地 + 主营业务 + 法定代表人姓氏）

三、命名：一条规则省下三天

材料收进来，第一件事是统一命名，不是急着看内容。

推荐规则：

<序号>_<材料类别>_<主体简称>_<日期或期间>_<版本>

例：

010_营业执照_目标公司_2024-06-30_原件扫描.pdf
045_增资协议_目标公司_2021-03-15_签署版.pdf
045a_增资协议补充协议_目标公司_2021-11-02_签署版.pdf

三条纪律：

序号与资料清单的编号一致，不要另起一套
版本用后缀区分（_签署版 / _扫描件 / _补充协议），不要用 _v2、_最终、_真的最终
原文件名保留在索引里，改名不改内容，可回溯

四、索引：四件套对应

材料收完，建一张索引表。这张表是后面所有工作的地基。

索引表的列：

列	说明
序号	与清单一致
材料名称	统一命名后的名字
原文件名	客户给的原名
类别	工商／合同／财务／诉讼／资产…
对应专题	属于 15 个专题中的哪一个
页数	便于引用
取得方式	客户提供／自行查询／函证
查验状态	未查／已查／待补
底稿编号	归档时的编号

四件套必须逐项对应：资料目录、查验清单、报告章节、底稿索引。同一个材料在这四处出现时，编号一致。

不对应会出现什么：报告里写“已查验增资协议”，底稿里找不到；或者清单上有 80 份，实际只查了 60 份，剩下 20 份没人知道去哪了。

五、WorkBuddy 在这一步能做什么

可以交给它：

批量 OCR（651 页 25 分钟跑完，人工不可能）
按文件名和首页内容自动归类，生成索引初稿
交叉比对：同一份合同的签署日期与工商变更日期是否倒挂
生成命名规范化脚本

必须自己来：

判断某份材料是否属于本项目范围
确认 OCR 出来的关键数字（金额、比例、期限）
脱敏词表的行业补充

六、本章的自检

[ ] 所有扫描件都跑过 OCR 了吗？识别率抽检过吗？
[ ] 脱敏跑了吗？mask check 通过了吗？有没有人工看一遍组合信息？
[ ] 命名规则统一了吗？版本后缀清楚吗？
[ ] 索引表建了吗？四件套能对上吗？

第三章 材料进来：识别、脱敏、命名、索引