حزمة البيانات الشخصية العربية لـ Presidio من Bayanat Labs
تضيف حزمة arabic-pii-pack إلى Microsoft Presidio أدوات تعرّف على البيانات الشخصية العربية والخليجية، وتخفي ما تجده في النصوص العربية والنصوص المختلطة بالإنجليزية. تكتشف أدوات التعرّف القائمة على القواعد رقم الهوية الوطنية السعودية ورقم الإقامة، ورقم الهوية الإماراتية، والرقم القومي المصري، والرقم المدني الكويتي، والرقم الشخصي البحريني، وأرقام الآيبان للدول العربية، وأرقام الهواتف لدول الجامعة العربية، ولوحات المركبات السعودية والإماراتية، والبريد الإلكتروني، والروابط، بالأرقام الغربية والعربية الهندية والفارسية، وتتحقق من صيغة كل رقم مرشّح: خانة التحقق، أو سجل الآيبان، أو بنية تاريخ الميلاد والمحافظة، أو خطط الترقيم الهاتفية. ويكتشف نموذج اختياري أسماء الأشخاص العربية. ويحتسب معزِّز سياق عربي يراعي اللواصق كلماتٍ مثل «وجوالي» و«بالهوية» على أنها كلمتا السياق «جوال» و«هوية». ويمكن استبدال ما يُكتشف بوسم يذكر نوعه، أو بالإخفاء، أو بقيمة مولَّدة بالصيغة نفسها. ويضم الإصدار أداة لسطر الأوامر، وواجهة Python تعمل مع أي AnalyzerEngine في Presidio، ومجموعة تقييم اصطناعية، وأداة إخفاء مجانية تعمل في المتصفح.
| الترخيص | Apache-2.0 للشيفرة وأداة الإخفاء في المتصفح، وCC BY 4.0 لمجموعة التقييم والنتائج والتوثيق |
|---|---|
| الإصدار | v0.1.0 · حزمة Python وأداة سطر الأوامر ونسخة JavaScript ومجموعة التقييم v0.1.0 بوسم إصدار على GitHub، ولم تُنشر الحزمة على PyPI بعد. |
| تاريخ النشر | |
| آخر تحديث | |
| لمن هذا الإصدار | الفرق التي تنظّف النصوص العربية والمختلطة بالإنجليزية أو تشاركها أو تنشرها، وتحتاج أولًا إلى اكتشاف أرقام الهوية الخليجية والمصرية والآيبان وأرقام الهواتف والأسماء وإخفائها. |
| المستوى | متوسط |
أرقام رئيسية
تُحسب آليًا من الملفات المنشورة. يُقرأ كل رقم من ملف نتائج في مجموعة التقييم على Hugging Face (ملفا المقاييس وملخص فحص ويكيبيديا)، ويُربط بقيمة SHA-256 لذلك الملف، ويسرد ملف بصمات التحقق في مجموعة البيانات قيمة SHA-256 لكل ملف.
التنزيل والمعرّفات
| المكان | المحتوى |
|---|---|
| bayanatlabs.com | افتح أداة الإخفاء |
| GitHub | الشيفرة على GitHub |
| Hugging Face | مجموعة التقييم والنتائج على Hugging Face |
| Hugging Face | أداة الإخفاء في المتصفح على Hugging Face Spaces |
ابدأ الاستخدام
ثبّتها من GitHub عند وسم الإصدار v0.1.0، وسيصبح التثبيت من PyPI ممكنًا بعد نشر الحزمة هناك. ويتطلب اكتشاف الأسماء الإضافة [ner] التي تنزّل نموذج الأسماء عند أول استخدام.
pip install "git+https://github.com/Bayanat-Labs/arabic-pii-pack@v0.1.0"
# Command line
echo "جوالي 0501234567" | bl-arabic-pii redact
bl-arabic-pii redact --in records.jsonl --field text --operator fake --out redacted.jsonl
# In Python
>>> from bl_arabic_pii import redact
>>> redact("هويتي ١٠٠٠٠٠٠٠٠٨ وجوالي +966 50 123 4567").text
'هويتي [SA_NATIONAL_ID] وجوالي [PHONE_NUMBER]'ما الذي يتضمنه الإصدار
| الجزء | الترخيص | ضمن الإصدار |
|---|---|---|
| حزمة Python وأداة سطر الأوامر ونسخة JavaScript | Apache-2.0 | نعم |
| مجموعة التقييم الاصطناعية والنتائج والتوثيق | CC BY 4.0 | نعم |
| أداة الإخفاء في المتصفح على Hugging Face Spaces | Apache-2.0 | نعم |
| نموذج الأسماء الاختياري (CAMeLBERT MSA NER من مختبر CAMeL)، يُنزَّل عند التشغيل | Apache-2.0 | لا |
صيغة النسبة: arabic-pii-pack by Bayanat Labs. https://github.com/Bayanat-Labs/arabic-pii-pack
الاستخدامات المقصودة
- اكتشاف أرقام الهوية والآيبان والهواتف واللوحات والبريد الإلكتروني والروابط في النصوص العربية والمختلطة بالإنجليزية وإخفاؤها قبل مشاركتها أو استخدامها في التدريب.
- إضافة أدوات تعرّف عربية وخليجية ومعزِّز سياق عربي يراعي اللواصق إلى AnalyzerEngine قائم في Presidio.
- استبدال البيانات الشخصية بقيمة مولَّدة بالصيغة نفسها، فتحتفظ بيانات الاختبار بشكلها وتجتاز الفحوص نفسها.
- اختبار أي أداة اكتشاف أخرى على مجموعة التقييم الاصطناعية.
خارج النطاق
- إثبات خلوّ النص من البيانات الشخصية: الاكتشاف أداة مساعدة تقنية، وينبغي مراجعة الناتج بعد الإخفاء قبل نشره.
- التحقق من أن رقمًا ما صدر فعلًا أو يخص شخصًا ما: تقتصر الفحوص على الصيغة، ولا يُبحث عن أي رقم في أي سجل.
- العناوين وتواريخ الميلاد والأسماء المكتوبة بالحروف اللاتينية والفئات الحساسة المعبَّر عنها بالكلمات: لا تكتشفها هذه النسخة.
الحقوق باختصار
التدريب والعرض وإعادة التوزيع وإنشاء الأصوات الاصطناعية أذونات منفصلة.
| الاستخدام | الحالة | ملاحظة |
|---|---|---|
| التدريب | مسموح | الشيفرة بترخيص Apache-2.0، ومجموعة التقييم والنتائج بترخيص CC BY 4.0 مع نسبتها إلى المصدر. والمجموعة مخصصة للاختبار، والتدريب عليها يُفقد نتائجها معناها. |
| العرض | مسموح | بترخيص CC BY 4.0 مع نسبتها إلى المصدر. أمثلة مولَّدة، وليست بيانات شخصية حقيقية، وأي تطابق مع شخص حقيقي محض مصادفة. |
| إعادة التوزيع | مسموح | الشيفرة بترخيص Apache-2.0، ومجموعة التقييم والنتائج والتوثيق بترخيص CC BY 4.0 مع نسبتها إلى المصدر. |
| الصوت الاصطناعي | لا ينطبق | نصوص فقط، دون أي ملفات صوتية. |
القيود
- مجموعة التقييم اصطناعية كتبها الفريق نفسه الذي كتب القواعد، لذا تبيّن نتائجها مدى تغطية الصيغ، لا الدقة على مستندات حقيقية.
- لا تُحتسب الأرقام الكويتية والبحرينية ولوحات المركبات إلا بجوار كلمة سياق، ويُتحقق من الرقم القومي المصري ببنيته فقط لعدم نشر قاعدة لخانة التحقق.
- تشغّل أداة الإخفاء في المتصفح أدوات التعرّف القائمة على القواعد فقط، أما الأسماء فتحتاج إلى حزمة Python مع نموذج الأسماء الاختياري، وهو يفوّت أسماء أكثر في النصوص العامية.
- يكون التثبيت من GitHub حاليًا، فالحزمة غير موجودة على PyPI بعد.
المصادر والتراخيص
| المصدر | الترخيص | يُعاد توزيعه هنا |
|---|---|---|
| Microsoft Presidio (dependency) | MIT | لا |
| phonenumbers, Python port of libphonenumber (dependency) | Apache-2.0 | لا |
| gcc-format-validators by Bayanat Labs (dependency) | Apache-2.0 للشيفرة، وCC BY 4.0 للجداول | لا |
| CAMeLBERT MSA NER by CAMeL Lab (optional model) | Apache-2.0 | لا |
| Arabic Wikipedia (wikimedia/wikipedia), false-flag check | CC BY-SA 4.0 (المساهمون في ويكيبيديا) | لا |
كتبت Bayanat Labs مجموعة التقييم من قوالب، وولّدت كل قيمة فيها بمولِّدات الحزمة نفسها. أمثلة مولَّدة، وليست بيانات شخصية حقيقية، وأي تطابق مع شخص حقيقي محض مصادفة. وتعتمد الحزمة على Presidio وphonenumbers وgcc-format-validators دون نسخ شيفرتها، ويُجلب نموذج الأسماء الاختياري من Hugging Face Hub عند التشغيل. ويحتفظ فحص ويكيبيديا بمعرّفات الفقرات وأعدادها، لا بنصوصها. تفاصيل المصادر (بالإنجليزية)
طريقة الاستشهاد
صيغة الاستشهاد:
Bayanat Labs (2026). arabic-pii-pack: Arabic and Gulf personal-data recognisers and redaction for Microsoft Presidio, version 0.1.0. Bayanat Labs. https://github.com/Bayanat-Labs/arabic-pii-pack
لا يوجد معرّف DOI. استشهد بالرابط الوارد في صيغة الاستشهاد أعلاه وبتاريخ اطلاعك عليه.
@misc{bayanatlabs2026arabicpiipack,
author = {{Bayanat Labs}},
title = {arabic-pii-pack: Arabic and Gulf personal-data recognisers and redaction for Microsoft Presidio, version 0.1.0},
year = {2026},
month = oct,
howpublished = {\url{https://github.com/Bayanat-Labs/arabic-pii-pack}}
}
كيف نتعامل مع الاستشهاد (بالإنجليزية)
سجل التغييرات
| التاريخ | الإصدار | التغيير |
|---|---|---|
| v0.1.0 | حزمة Python وأداة سطر الأوامر ونسخة JavaScript على GitHub، ومجموعة التقييم الاصطناعية والنتائج على Hugging Face، وأداة الإخفاء في المتصفح على Hugging Face Spaces. |
التصحيح وطلبات الإزالة
إذا وجدت في هذا الإصدار ما لا ينبغي وجوده أو ما يحتاج إلى تصحيح، فراسلنا على hello@bayanatlabs.com. نعالج طلبات الإزالة خلال 30 يومًا، وطلبات المنصات خلال 24 ساعة. كيف تعمل طلبات الإزالة
المنتج المرتبط: Bayanat Documents