Document Privacy Audit

概览

执行全文抽取与结构化检索，结合规则与语义判断定位隐私信息，输出带定位与风险等级的汇总报告。

工作流程

1. 明确范围与交付

• 确认文件路径与格式、语言、是否包含扫描页。
• 明确隐私范围（仅 PII，还是包含财务/健康/凭据）。
• 约定输出格式（Markdown 报告 + JSON 明细，或仅报告）。

2. 抽取全文并保留定位

• 优先使用 scripts/extract_text.py 输出 JSONL，保留页码/段落/单元格定位。
• PDF 如无文本层，提示使用 OCR（ocrmypdf 或 tesseract）后再抽取。