Elysia Tools
Навигация
Workflow Playbook
Преобразуйте смешанные источники в проверяемые списки ссылок, атрибутов, дат, полей журналов и чувствительных совпадений с помощью осознанного пути извлечения.
Темы
Этот процесс помогает получить контролируемые сигналы из обычного текста, HTML, Markdown или журналов. До запуска инструмента сохраните источник и определите поля, формат, правило дубликатов и контекст, который понадобится проверяющему. Небольшой набор положительных и отрицательных примеров лучше подходит для приемки, чем расплывчатое требование извлечь все.
Используйте text-extractor, если набор полей еще не определен. Если требуется именно список URL, bulk-url-extractor задает более узкую границу. Не превращайте HTML в обычный текст до решения, входят ли атрибуты или источники изображений в результат: сначала примените html-attribute-extractor или image-source-extractor, затем new-html-tag-stripper для читаемой производной. В Markdown markdown-link-extractor сохраняет синтаксические сведения, которые могут исчезнуть в простом тексте.
ip-address-extractor и date-extractor дают поля-кандидаты, но результат можно проверить только вместе с исходной строкой, соседним событием и предположением о часовом поясе. Сравните количество и характерные значения с примером. Найденный IP остается извлеченным значением, а не выводом о личности; дата также не становится автоматически деловым событием.
Если во входе могут быть контактные или сетевые идентификаторы, до использования bulk-email-extractor, phone-number-extractor или ip-address-extractor определите разрешение и минимальный объем. Ограничьте доступ к исходным значениям, зафиксируйте переданные поля и строки и при необходимости замаскируйте или псевдонимизируйте копию. Принимайте результат только если целевые поля присутствуют, неожиданные совпадения объяснены, контекст сохранен, а артефакт соответствует правилам обработки.
Руководство по рабочему процессу
Сохраните неизмененную копию и запишите ожидаемые поля. Используйте `text-extractor` для общего первого прохода по смешанному тексту или `bulk-url-extractor`, если задача уже ограничена сбором HTTP- и HTTPS-ссылок. Сохраните базовый результат для сравнения со специализированными проверками.
В HTML сначала применяйте `html-attribute-extractor` или `image-source-extractor`, если важны атрибуты, ссылки или источники изображений; затем используйте `new-html-tag-stripper` только для читаемой текстовой версии. В Markdown применяйте `markdown-link-extractor` и проверяйте список ссылок отдельно от текста.
Используйте `ip-address-extractor` для кандидатов IPv4 и IPv6 и `date-extractor` для дат в смешанных записях. Сохраняйте исходную строку, соседнее событие и предположение о часовом поясе; найденный IP не доказывает личность, а дата сама по себе не получает делового смысла.
Используйте `text-extractor` для первичного поиска по смешанному тексту, если набор полей еще не определен. Выбирайте `bulk-url-extractor` или другой специализированный инструмент, когда поле, правило дедупликации и назначение результата уже известны.
В HTML извлекайте атрибуты или источники изображений до удаления тегов, если разметка несет смысл. В Markdown используйте `markdown-link-extractor`, чтобы различать встроенные, справочные и отдельные URL. Журналы обрабатывайте как записи по строкам, а не как один абзац.
Извлекайте email, телефоны или IP только с разрешения и в минимально необходимом объеме. Ограничивайте доступ к исходным значениям, при необходимости передавайте маскированные или псевдонимизированные данные и не считайте извлекатель средством анонимизации или контроля соответствия.
Если разрешенная задача включает контактные или сетевые идентификаторы, используйте `bulk-email-extractor`, `phone-number-extractor` и при необходимости `ip-address-extractor`, чтобы составить минимальный список. Сверьте количество с примером, ограничьте исходные значения и замаскируйте или псевдонимизируйте передачу; инструменты не выполняют автоматическую анонимизацию.