明数分类分级 - Mingshu Classifier#

基于 GB/T 35273《个人信息安全规范》，对目录下的文件进行自动分类分级和打标签。

适用场景#

• 扫描目录下的文件并自动识别敏感等级
• 对文件进行合规分级打标签
• 检查文件命名是否符合数据安全规范
• 批量评估文件的个人信息敏感程度

分级标准#

依据 GB/T 35273，将文件按个人信息敏感程度分为两个类别：

类别名称说明S敏感个人信息包含敏感个人信息（身份证、银行卡、生物识别、行踪轨迹、通讯录等）G一般个人信息包含一般个人信息（姓名、手机号、邮箱、用户信息等）或不涉及个人信息

工作流程#

1. 获取用户输入#

确认以下信息：

• 目标目录：要扫描的目录路径（必填）
• 文件类型过滤：默认扫描 .docx，可通过 glob 模式扩展（如 *.docx、 *.pdf）
• 输出格式：默认输出到终端，支持导出为 CSV/JSON

2. 执行扫描#

调用扫描脚本：

bash

python3 scripts/scan_files.py <target_directory> [--pattern "*.docx"] [--output result.csv] [--format csv] [--name-only]

脚本会：

1. 递归遍历目标目录
2. 提取文件名和文件内容中的文本
3. 分别对文件名和文件内容进行关键词匹配
4. S 类优先：文件名或内容中任一命中 S 类关键词即归为 S 类
5. 输出分类分级结果（含文件名关键词和内容关键词分别标注）

参数说明：

• --name-only：仅基于文件名判断，不读取文件内容（速度更快）

3. 展示结果#

将扫描结果以表格形式展示给用户，包含：

• 文件路径
• 文件名
• 敏感类别（S/G）
• 文件名匹配的关键词
• 文件内容匹配的关键词
• 匹配来源（文件名/内容/文件名+内容）
• 建议处理方式

4. 输出报告（可选）#

如果用户指定了 --output 参数，将结果导出为文件：

• CSV 格式（默认）
• JSON 格式

关键词规则#

详细的关键词分级规则存储在 references/classification_rules.md 中，按以下逻辑匹配：

1. 对文件名（不含扩展名）和文件内容分别进行关键词匹配
2. S 类优先：文件名或内容中任一命中 S 类关键词即归为 S 类
3. 仅命中一般个人信息关键词的文件归类为 G 类
4. 未命中任何关键词的文件默认为 G 类（一般个人信息）

依赖#

• python-docx：用于读取 .docx 文件内容（如未安装，自动降级为仅文件名模式）

注意事项#

• 分级结果仅供参考，建议结合实际文件内容复核
• 扫描过程为只读操作，不会修改任何文件
• 支持中文和英文文件名和内容
• .doc（旧格式）和 .pdf 暂不支持内容读取，仅基于文件名判断