Day 27：PDF 安全技術：密碼移除與文字解構

18th鐵人賽 automation

小恩

2026-09-25 06:21:43

40 瀏覽

分享至

哈囉！哥～小晴又踩著高跟鞋、騎著小機車來找您囉！

今天外面吹著爽朗的風，小晴一邊騎車一邊就在想，哥今天要進行教育訓練的主題真的是「安全感滿滿」耶！您知道嗎？在我們房仲界，最怕的就是客戶的身分證、交易權狀等隱私資料外洩。對 IT 系統或金融機構來說，處理滿是密碼保護的交易確認單 PDF，就像是要進入一棟上了密碼防盜鎖的隱密豪宅一樣，既要顧及「安全與合規」，又要能「自動化解構」裡面的隔間與格局！

既然哥今天要把這堂課規劃為 Day 27：PDF 安全技術：密碼移除與文字解構 的技術培訓，小晴私底下可是熬夜把 PDF 的安全機制與文字流（Text Stream）結構讀得滾瓜爛熟囉！「交給我您放心」，哥，請看小晴為您準備的深度技術解析：

Day 27：PDF 安全技術：密碼移除與文字解構

在金融機構推動機器人流程自動化（RPA）與直通式處理（STP）的過程中，PDF 檔案的處理往往是最大的斷層。特別是涉及敏感資金流向的「交易確認單」，為了確保客戶隱私與傳輸安全，通常會施加 PDF 密碼保護。

然而，當自動化系統（如 RPA 流程）需要讀取裡面的分配數據或交易明細時，密碼鎖就成了自動化 Pipeline 的「攔路虎」。本篇將探討如何在安全合規的框架下，利用自動化工具將加密的交易確認單進行程式化解密，並將其複雜的版面解構為結構化文字。

一、金融合規框架與安全挑戰

在自動化處理解密與文字擷取時，IT 開發人員必須建立高標準的資訊安全意識：

密碼資產管理與最小化原則（Minimization）：密碼絕對不能以明文（Plaintext）寫死（Hardcode）在腳本中。在標準架構下，解密密碼應存儲於安全金庫（Key Vault）或經加密的本地對應表，僅在執行解密瞬間載入記憶體。
臨時檔案生命週期（Ephemeral Lifecycle）：解密後的無密碼 PDF 是高敏感的暫存檔案。系統在產出無密碼 PDF 檔案並完成文字解構後，必須立刻對該實體檔案進行抹除（Purge / Shredding），不得長久留存於硬碟，防範二次外洩風險。
不可否認性與審計追蹤（Audit Trail）：每一次的密碼解密與內容讀取動作，後台必須留存完整的 log，記錄執行的帳號、時間、解密成功狀態以及被存取的交易代碼。

二、交易確認單 PDF 密碼程式化移除

要將有密碼的 PDF 檔解除限制，必須依賴專業的解密工具（如 Excel VBA 結合底層 PDF 模組封裝的 「交易確認單 PDF 密碼移除工具」）。

1. 使用者介面與控制流

在實務操作上，經辦或自動化腳本會先啟動 交易確認單PDF密碼移除工具.xlsm 檔案。工具內置了與使用者互動的 VBA 表單，執行步驟如下：

經辦或系統發動點選「選取來源檔案」機制，呼叫 Windows 標準文件對話框（File Dialog）以鎖定加密的 PDF。
系統接著要求輸入該檔案對應之解密密碼。

2. 底層解密技術邏輯

在按確認後，底層程式通常會調用如 qpdf、pdftoppm 的 API，或是藉由 Python 腳本調用 PyPDF2、pikepdf 等程式庫，傳入目標 PDF 與密碼：

import pikepdf

# 在後台沙盒中以密碼開啟加密的 PDF
with pikepdf.open("encrypted_confirmation.pdf", password="user_password") as pdf:
    # 儲存為未加密的檔案，安全解鎖所有編輯與複製權限
    pdf.save("decrypted_confirmation.pdf")

在執行此操作時，系統僅需利用密碼向 PDF 內的加密字典（Encryption Dictionary）核對，重新生成不帶 /Encrypt 標籤的全新 PDF 檔，即可得到解密後的完整交易確認單。

三、 PDF 文字解構與佈局重建（Layout Analysis）

PDF 解密後，真正的硬骨頭才剛開始：如何精準擷取資料？

這需要用到 「PDF 轉文字檔工具」（如 PDF轉文字檔工具.xlsm）進行版面分析與解構。

1. 為什麼 PDF 轉文字如此困難？

PDF（Portable Document Format）的設計初衷是「為了列印與跨設備一致呈現」，而非「結構化資料交換」。在 PDF 的二進位資料串流（Content Streams）中，文字並不像 Word 檔有「段落（Paragraph）」或「表格（Table）」的概念。它的底層是一堆像這樣的繪圖指令：

BT
/F1 12 Tf
1 0 0 1 72 712 Tm
(Invesco Dividend Confirmation) Tj
ET

這意味著：

無字元順序保證：PDF 畫面上看起來排在同一行的字，在資料流裡的儲存順序可能完全是混亂的。
無空白字元：PDF 常常用「座標偏移（Tm、Td 指令）」來拉開字元間距，資料流中根本不包含「空白鍵」字元，直接提取只會得到黏在一起的字串。

2. 「PDF 轉文字檔工具」的解構策略

當經辦開啟 PDF轉文字檔工具.xlsm 並點選「選擇來源檔案並轉檔」後，工具底層會發動強大的文字還原引擎（如 Windows 平台編譯後的 pdftotext 命令或 Python 的 pdfplumber 函式庫）：

位置與包圍盒計算（Bounding Box）：
引擎會掃描 PDF 中的每一個文字字元（Glyph），獲取其精確的坐標屬性（\(x_{0}, y_{0}, x_{1}, y_{1}\)）及字體大小。
空間重建演算法（Spatial Reconstruction）：
- 行合併（Line Aggregation）：將 \(y\) 軸坐標相近（在容差範圍內）的字元判定為同一行，並依 \(x\) 軸坐標從小到大排序。
- 單字重建（Word Aggregation）：計算相鄰兩個字元間的 \(x\) 軸距離 \(d\)。若 \(d > \text{臨界值}\)，則主動補償插入一個半形空白字元，從而完美重建英文單字或數字。
網格對齊與表格抽取：
針對金融報表中最核心的「表格數據」，工具會利用垂直投影法（Vertical Projection）繪製隱形虛擬網格，將所有文字歸類到對應的欄與列，最終轉換為易於解析的 TXT 或是純文字結構。

四、整合型自動化 Pipeline 的架構實踐

為了讓「解密」與「解構」一氣呵成，自動化系統通常將兩者整合成一條流水線：

[加密 PDF] ──> [ 密碼移除工具 (記憶體解鎖) ] ──> [未加密 PDF (暫存)]
                                                       │
                                                 (調用轉檔引擎)
                                                       │
                                                       ▼
[結構化文字檔 (TXT/CSV)] <── [ PDF 轉文字檔工具 ] ───┘
       │
 (執行正規表示式 RegEx 提取)
       │
       ▼
 [ 寫入帳務資料庫 (SQL) ] ──> [ 銷毀未加密 PDF / 釋放記憶體 ] (安全降落 )

RPA 監聽資料夾：當收到最新郵件附件或下載交易確認單至暫存區。
呼叫密碼移除工具：利用對應之密碼（可採客戶統編或特定密鑰組合），後台靜默將加密 PDF 轉換為一般 PDF。
無縫串接 PDF 轉文字工具：將轉出的 PDF 作為輸入源，一鍵轉檔產出標準文字檔。
RegEx 模式比對（Regex Parsing）：
對轉檔後的純文字（TXT）套用特定的正規表示式，例如：
- 提取基金代碼：[A-Z0-9]{5,6}
- 提取淨值或金額：\d{1,3}(,\d{3})*(\.\d{2,4})?
資料庫建檔與記憶體淨空：將萃取出的欄位自動寫入資料庫，並立刻發動 File Shredder 永久刪除中介的無密碼 PDF。