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：
python3 scripts/scan_files.py <target_directory> [--pattern "*.docx"] [--output result.csv] [--format csv] [--name-only]
脚本会：
- 递归遍历目标目录
- 提取文件名和文件内容中的文本
- 分别对文件名和文件内容进行关键词匹配
- 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
- 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：
- 对文件名（不含扩展名）和文件内容分别进行关键词匹配
- 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
- 仅命中一般个人信息关键词的文件归类为 G 类
- 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