PD Guard: модуль безопасности персональных данных

2026-09-22 17:43:33 +03:00
commit 41052fac6a
80 changed files with 91230 additions and 0 deletions
@@ -0,0 +1,99 @@
+package ru.pdguard.detect;
+
+import java.util.List;
+import java.util.function.Predicate;
+import java.util.regex.Pattern;
+
+/**
+ * Одно правило детекции персональных данных.
+ *
+ * <p>Добавление нового типа ПД — это добавление одного {@code Rule} в
+ * {@link RuleRegistry}; менять остальной код не требуется.
+ *
+ * @param type      тип ПД, который распознаёт правило
+ * @param pattern   регулярное выражение
+ * @param priority  приоритет при разрешении перекрытий
+ * @param groups    номера групп, которые маскируются; {@code 0} — всё совпадение целиком.
+ *                  Несколько групп нужны, когда значение разорвано словами:
+ *                  «серия 4509 номер 123456»
+ * @param validator дополнительная проверка значения (контрольная сумма, диапазон дат);
+ *                  {@code null} — проверка не нужна
+ * @param veto      шаблон окружения, при котором совпадение персональными данными не считается:
+ *                  адрес отделения банка не является ПД, хотя выглядит как адрес
+ * @param context   шаблон окружения, который обязан присутствовать рядом. Нужен там,
+ *                  где форма совпадения сама по себе слишком общая: «Невский проспект»
+ *                  это адрес рядом с домом и индексом и просто топоним в рассказе о городе
+ * @param anchors   строчные подстроки, одна из которых обязана встретиться в тексте.
+ *                  Проверка через {@code indexOf} на порядок дешевле запуска
+ *                  регулярного выражения и отсекает большинство правил на коротком
+ *                  запросе. Пустой список — правило запускается всегда
+ */
+public record Rule(String type, Pattern pattern, int priority, List<Integer> groups,
+                   Predicate<String> validator, Pattern veto, Pattern context, List<String> anchors) {
+
+    /**
+     * Флаги компиляции для всех правил.
+     *
+     * <p>{@code UNICODE_CHARACTER_CLASS} обязателен: без него {@code \w}, {@code \W}
+     * и {@code \b} в Java охватывают только латиницу, и якорные слова вроде
+     * «водительское удостоверение» не находятся. {@code UNICODE_CASE} делает
+     * {@code (?i)} корректным для кириллицы.
+     */
+    private static final int FLAGS = Pattern.UNICODE_CHARACTER_CLASS | Pattern.UNICODE_CASE;
+
+    /**
+     * Сколько символов слева и справа от совпадения просматривает вето-шаблон.
+     *
+     * <p>150, не 80: на реальных адресах отделений из реестра ЦБ (регион, город,
+     * улица, дом — в одном предложении) расстояние от «отделение» до номера дома
+     * часто превышает 80 знаков за счёт длинного названия региона («Ханты-Мансийский
+     * автономный округ», «Кабардино-Балкарская Республика»). Найдено нагрузочным
+     * тестом на 60 реальных адресах из официального реестра — с окном в 80 знаков
+     * вето не срабатывало на части из них.
+     */
+    public static final int VETO_LOOKBEHIND = 150;
+    public static final int VETO_LOOKAHEAD = 40;
+
+    /** Правило без проверок, маскируется всё совпадение. */
+    public static Rule of(String type, String regex, int priority) {
+        return new Rule(type, Pattern.compile(regex, FLAGS), priority, List.of(0), null, null, null, List.of());
+    }
+
+    /** Маскировать только перечисленные группы, а не всё совпадение. */
+    public Rule groups(Integer... indexes) {
+        return new Rule(type, pattern, priority, List.of(indexes), validator, veto, context, anchors);
+    }
+
+    /** Принять совпадение, только если значение прошло проверку. */
+    public Rule validatedBy(Predicate<String> check) {
+        return new Rule(type, pattern, priority, groups, check, veto, context, anchors);
+    }
+
+    /** Запускать правило, только если в тексте есть одна из подстрок (в нижнем регистре). */
+    public Rule anchoredBy(String... required) {
+        return new Rule(type, pattern, priority, groups, validator, veto, context, List.of(required));
+    }
+
+    /** Есть ли в тексте хоть один из якорей правила. */
+    public boolean mayMatch(String lowercasedText) {
+        if (anchors.isEmpty()) {
+            return true;
+        }
+        for (String anchor : anchors) {
+            if (lowercasedText.contains(anchor)) {
+                return true;
+            }
+        }
+        return false;
+    }
+
+    /** Принять совпадение, только если рядом встретилось указанное слово. */
+    public Rule requiringNear(String regex) {
+        return new Rule(type, pattern, priority, groups, validator, veto, Pattern.compile(regex, FLAGS), anchors);
+    }
+
+    /** Отбросить совпадение, если рядом встретилось указанное слово. */
+    public Rule vetoedBy(String regex) {
+        return new Rule(type, pattern, priority, groups, validator, Pattern.compile(regex, FLAGS), context, anchors);
+    }
+}