文本水印原理与应用

刚开始做文本水印时，我总在想一个问题：一张图片可以藏信息，一段语音可以藏信息，那纯文本呢？它没有像素，没有采样点，怎么藏？后来我明白了——文本水印的本质，就是在不破坏可读性的前提下，用「语法」和「词汇」的空隙塞入标记。说白了，就是给文字穿上隐形衣。

文本水印的嵌入方法大致分三类：同义词替换、句式变换和隐写术。下面我逐个拆解，每个方向我会给出核心原理、代码骨架，以及我踩过的坑。

3.1 同义词替换：最经典的嵌入方式

同义词替换的原理很简单——把一句话里的某个词换成它的同义词，人读起来意思不变，但机器能通过词典或统计规律识别出这个替换。为什么可以这么做？因为自然语言中有大量近义词，比如「美丽」和「漂亮」在多数语境下可以互换。

3.1.1 技术原理

水印嵌入需要三个步骤：

• 候选词提取： 用词性标注找出句中可替换的词（通常是形容词、副词、部分动词）。
• 同义词候选池： 通过WordNet或同义词词林，为每个候选词构建一个替换列表。
• 编码规则： 根据水印比特流（比如二进制串 0101），决定选第几个同义词。

3.1.2 代码示例：基于WordNet的同义词替换水印

import nltk
from nltk.corpus import wordnet as wn
import random

def synonym_watermark_embed(sentence, watermark_bits):
    """
    嵌入水印：根据比特流选择同义词
    watermark_bits: 例如 [0,1,0,1,0]
    """
    tokens = nltk.word_tokenize(sentence)
    pos_tags = nltk.pos_tag(tokens)
    
    embed_positions = []  # 记录可替换的索引
    for i, (word, tag) in enumerate(pos_tags):
        # 只替换形容词和副词
        if tag.startswith('JJ') or tag.startswith('RB'):
            synsets = wn.synsets(word)
            if not synsets:
                continue
            all_lemma_names = set()
            for syn in synsets:
                for lemma in syn.lemmas():
                    if lemma.name() != word.lower():
                        all_lemma_names.add(lemma.name().replace('_', ' '))
            if len(all_lemma_names) >= 1:
                embed_positions.append(i)
    
    # 按比特长度控制替换数量
    max_replace = min(len(watermark_bits), len(embed_positions))
    for j in range(max_replace):
        idx = embed_positions[j]
        word = tokens[idx]
        # 获取同义词并去重
        synsets = wn.synsets(word)
        candidates = []
        for syn in synsets:
            for lemma in syn.lemmas():
                name = lemma.name().replace('_', ' ')
                if name != word.lower():
                    candidates.append(name)
        candidates = list(set(candidates))
        if not candidates:
            continue
        # 根据水印位选择：0选奇数索引，1选偶数索引
        bit = watermark_bits[j]
        chosen = [c for i,c in enumerate(candidates) if i%2 == bit]
        if chosen:
            tokens[idx] = random.choice(chosen)  # 实际工程中用更确定的规则
    
    return ' '.join(tokens)

# 示例
s = "This movie is very beautiful and interesting."
bits = [0, 1, 0]  # 假设3比特水印
print(synonym_watermark_embed(s, bits))

3.2 句式变换：从结构层面藏水印

同义词替换只是在词层面做小动作。如果一段文字被反复改写，词汇层面的水印很容易被清洗掉。这时候就要靠句式变换了——通过改变句子的表面结构，比如主动变被动、移位、分裂，来编码信息。

3.2.1 核心方法

• 主被动转换： 「猫吃了鱼」→「鱼被猫吃了」。水印位=0用主动，位=1用被动。
• 介词短语移位： 「我在公园散步」→「我在散步，在公园」。移位方向对应比特。
• 附加句分裂： 「他来了，我很高兴」→「我很高兴，因为他来了」。依赖从句顺序编码。

我在项目中发现，句式变换的最大优势是鲁棒性。即使文本经过拼写检查、少量改写，句子骨架往往还在。

3.2.2 实现思路（以主被动为例）

import spacy
nlp = spacy.load("en_core_web_sm")

def voice_based_embed(sentence: str, bit: int) -> str:
    """
    通过主动/被动语态嵌入1比特水印
    bit=0 保持主动，bit=1 转为被动
    """
    doc = nlp(sentence)
    for  in doc:
        if .dep_ == "nsubj" and .head.pos_ == "VERB":
            subject = .text
            verb = .head
            obj = [child for child in verb.children if child.dep_ == "dobj"]
            if not obj:
                return sentence  # 无法转换
            obj_text = obj[0].text
            if bit == 0:  # 保持主动
                return sentence
            else:  # 转被动
                passive = f"{obj_text} is {verb.text}_by {subject}"
                # 这里需要更细致的形态处理，实际应用应借助规则
                return passive
    return sentence

3.3 隐写术：在文本的「边缘」插入

刚才两种方法都是修改已有内容。隐写术则是往文本里添加一些肉眼看不见的信息载体，比如零宽字符、空格宽度、字体/颜色元数据等。严格来说它不算「自然语言水印」，但在接口整合场景中——比如API传参夹带水印——非常实用。

3.3.1 常见载体

载体位置	编码容量	可见性	鲁棒性
零宽空格 (U+200B)	每字符1比特	不可见	低（复制会丢失）
空格宽度 (U+2002 vs U+2003)	每空格1-2比特	几乎不可见	中（部分渲染器会统一）
标点替换（全角→半角）	每标点若干比特	低	高（多数平台保留标点）
词序颠倒（限定短语）	每句1-2比特	中	中

3.3.2 零宽字符嵌入示例

def zero_width_embed(text: str, payload_bits: list) -> str:
    """
    在text的每个字符后插入零宽空格（U+200B）表示1，不插入表示0
    payload_bits 长度需 ≤ text长度
    """
    result = []
    for i, ch in enumerate(text):
        result.append(ch)
        if i < len(payload_bits) and payload_bits[i] == 1:
            result.append('\u200B')  # 零宽空格
    return ''.join(result)

def zero_width_extract(stego_text: str) -> list:
    """提取零宽空格的水印"""
    bits = []
    for ch in stego_text:
        if ch == '\u200B':
            bits.append(1)
        # 这里的提取需要对照原文本长度，真实场景需额外同步协议
    return bits

# 使用
original = "你好世界"
payload = [1,0,1,1]
encoded = zero_width_embed(original, payload)
print(repr(encoded))  # 能看到嵌入的\u200B

3.4 三种方法对比总结

下面这张表可以帮你快速选择：

方法	隐蔽性	鲁棒性	容量（比特/句）	实现难度
同义词替换	高（语义不变）	中	2~5	低
句式变换	中（结构变化）	高	1~3	中
隐写术（零宽）	极高	低	10~50	低
隐写术（空格）	高	中	5~20	低

你可能会问：那实际项目里到底怎么选？我的答案是——组合使用。用同义词替换做主要编码，用句式变换做冗余校验，再在边界处塞一点零宽字符做元数据标记，这样抗攻击能力强很多。