docx-sanitizer

Biblioteca Node.js em TypeScript para detecção e tarja de dados pessoais sensíveis em arquivos .docx.

Objetivo

Processar arquivos .docx para:

• Detectar dados pessoais (CPF, e-mail, endereço, conta bancária) via regex.
• Gerar um novo .docx com dados sensíveis tarjados ("█").
• Permitir edição manual das marcações antes da geração final (via JSON).

Estrutura

docx-sanitizer/
├── src/
│   ├── index.ts            # CLI e ponto de entrada
│   ├── parser.ts           # Leitura do .docx
│   ├── detector.ts         # Identifica dados pessoais
│   ├── redactor.ts         # Gera docx final com tarjas
│   └── utils/patterns.ts   # Regexs de dados sensíveis
├── examples/
│   └── exemplo.docx        # Exemplo de entrada
├── output/
│   └── resultado.docx      # Exemplo de saída
├── tests/
├── package.json
├── tsconfig.json
└── README.md

Instalação

npm install	npm run build

Uso via CLI

1. Detectar e exportar marcações

npm run sanitize -- --input examples/exemplo.docx --output output/resultado.docx

Passar argumentos para a cli

npm run sanitize -- --input examples/exemplo.docx --output output/resultado.docx --custom-marks caminho/para/custom_marks.json

Gera um arquivo JSON com as marcações detectadas (por padrão em output/marcas.json).

2. Editar marcações manualmente

Abra o arquivo JSON gerado e ajuste as marcações conforme necessário:

{
  "cpf": ["123.456.789-00"],
  "email": ["[email protected]"]
}

3. Gerar .docx final com tarjas

npm run redact -- --input examples/exemplo.docx --marks output/marcas.json --output output/resultado.docx

4. Exportar apenas as marcações (opcional)

npm run export-marks -- --input examples/exemplo.docx --marks output/marcas.json

Funcionalidades

• Leitura de texto do .docx: Utiliza mammoth para extrair texto plano.
• Detecção de dados pessoais: Regexs para CPF, e-mail, endereço e conta bancária.
• Geração de docx com tarjas: Utiliza docx para criar novo documento substituindo dados sensíveis por "█".
• Exportação de marcações: Gera JSON editável com os dados encontrados.
• Configuração de caminhos: Parâmetros via argumentos ou variáveis de ambiente.

Dependências principais

• typescript
• fs-extra
• mammoth
• docx

Estrutura preparada para evolução futura (ex: interface web).

Autor: Walisson Gomes LinkedIn

Licença: MIT