pd-guard/src/main/java/ru/pdguard/detect/AddressRules.java

package ru.pdguard.detect;

import static ru.pdguard.detect.RulePatterns.CITIZENSHIP_GAP;
import static ru.pdguard.detect.RulePatterns.CITIZENSHIP_VALUE;
import static ru.pdguard.detect.RulePatterns.ORGANISATION_NEARBY;
import static ru.pdguard.detect.RulePatterns.ROLE_GAP;
import static ru.pdguard.detect.RulePatterns.STREET_NAME;
import static ru.pdguard.detect.RuleRegistry.ADDRESS_NEARBY;

import java.util.List;

/** Правила распознавания органа выдачи паспорта, места рождения, гражданства и адреса. */
final class AddressRules {

  private AddressRules() {}

  static final List<Rule> RULES =
      List.of(

          // «выдан ОУФМС России по г. Москве 12.05.2015» — дата в состав органа не входит,
          // её забирает отдельное правило. Приоритет выше городского, иначе от органа
          // осталась бы замаскированной только его часть.
          // Перечень форм, не голая основа «выда»: она зацепила бы и «выдающийся»
          // (обычное слово, не про выдачу документа).
          Rule.of(
                  PdTypes.PASSPORT_ISSUER,
                  "(?iu:выдан|выдал[аио]?|выдали|выдач[аи]|выдаче)"
                      + "\\W{0,3}([^,;\\n]{3,90}?)"
                      + "(?=\\s*\\d{1,2}[.\\-/]\\d{1,2}[.\\-/]\\d{2,4}|[,;\\n]|\\s*$)",
                  78)
              .groups(1)
              .anchoredBy("выдан", "выдал", "выдач"),

          // «совпадает с указанным в анкете: X» — второе упоминание органа выдачи
          // под собственным якорем, без бэкреференса на первое.
          Rule.of(
                  PdTypes.PASSPORT_ISSUER,
                  "(?iu:указанн\\w*\\s+в\\s+анкете)\\W{0,5}([^,;.\\n]{3,90}?)"
                      + "(?=[,;.\\n]|\\s*$)",
                  78)
              .groups(1)
              .anchoredBy("указанн"),

          // «Орган выдачи УФМС России по Республике Татарстан» — орган после якоря,
          // до слова «совпадает» или конца фразы.
          Rule.of(
                  PdTypes.PASSPORT_ISSUER,
                  "(?iu:орган\\s+выдачи)\\W{0,5}([^,;:\\n]{3,90}?)"
                      + "(?=\\s*(?iu:совпадает|указанн)|[,;:\\n]|\\s*$)",
                  78)
              .groups(1)
              .anchoredBy("орган выдачи"),
          Rule.of(
                  PdTypes.BIRTH_PLACE,
                  "(?iu:мест\\w*\\s+рождения)\\W{0,5}([^,;\\n]{3,60}?)(?=\\s*[,;\\n]|\\s*$)",
                  76)
              .groups(1)
              .anchoredBy("рождения"),
          Rule.of(
                  PdTypes.BIRTH_PLACE,
                  "(?iu:родил(?:ся|ась))[^,;\\n]{0,40}?\\s+в\\s+"
                      + "([^,;\\n]{3,40}?)(?=\\s*[,;\\n]|\\s*$)",
                  76)
              .groups(1)
              .anchoredBy("родил"),

          // ROLE_GAP, не \W{0,5}: «Гражданство бенефициара по договору страхования: Х» —
          // между якорем и значением бывает несколько слов, не только пунктуация.
          // Список через запятую/слэш — вторая опциональная группа тем же шаблоном.
          Rule.of(
                  PdTypes.CITIZENSHIP,
                  "(?iu:гражданств)\\w*"
                      + CITIZENSHIP_GAP
                      + "("
                      + CITIZENSHIP_VALUE
                      + ")(?:\\s*[,/]\\s*("
                      + CITIZENSHIP_VALUE
                      + "))?",
                  80)
              .groups(1, 2)
              .validatedBy(CountryDictionary::isKnownCountry)
              .anchoredBy("гражданств"),

          // ин/ка/ина/ки — именительный/родительный; ином/кой — творительный
          // («гражданином», «гражданкой»).
          Rule.of(
                  PdTypes.CITIZENSHIP,
                  "(?iu:граждан(?:ин|ка|ина|ки|ином|кой))\\b\\s+"
                      + "("
                      + CITIZENSHIP_VALUE
                      + ")(?:\\s*[,/]\\s*("
                      + CITIZENSHIP_VALUE
                      + "))?",
                  75)
              .groups(1, 2)
              .validatedBy(CountryDictionary::isKnownCountry)
              .anchoredBy("граждан"),

          // --- Адрес: каждая составляющая настраивается отдельно ---

          Rule.of(PdTypes.ADDRESS_POSTCODE, "(?iu:индекс)\\w*" + ROLE_GAP + "(\\d{6})\\b", 74)
              .groups(1)
              .vetoedBy(ORGANISATION_NEARBY)
              .anchoredBy("индекс"),
          Rule.of(
                  PdTypes.ADDRESS_POSTCODE,
                  "\\b(\\d{6})(?=\\s*,?\\s*(?iu:г\\.|город|обл\\.|область|респ|край))",
                  74)
              .groups(1)
              .vetoedBy(ORGANISATION_NEARBY),

          // Не только «г.»: перепись, на которой проверяется словарь, покрывает
          // сёла, посёлки, деревни, хутора и станицы — «рп. Ильинское», «с. Кукуево»
          // из ТЗ без этих якорей не нашлись бы вообще, город там ни при чём.
          Rule.of(
                  PdTypes.ADDRESS_CITY,
                  "(?iu:\\bг\\.|\\bгор\\.|\\bгород|\\bрп\\.|\\bпгт\\.?|\\bп\\.|\\bс\\.|\\bсело\\b"
                      + "|\\bд\\.|\\bдеревня\\b|\\bдер\\.|\\bх\\.|\\bхутор\\b|\\bст-ца|\\bстаница|\\bаул\\b"
                      + "|\\bсл\\.|\\bслобода\\b|\\bаал\\b)\\s?(\\p{Lu}[\\p{L}-]{1,30})\\b",
                  73)
              .groups(1)
              .validatedBy(ToponymDictionary::isKnownSettlement)
              .vetoedBy(ORGANISATION_NEARBY)
              .anchoredBy(
                  "г.", "гор", "город", "рп.", "пгт", "п.", "с.", "село", "д.", "деревня", "дер.",
                  "х.", "хутор", "ст-ца", "станица", "аул", "сл.", "слобода", "аал"),
          Rule.of(
                  PdTypes.ADDRESS_STREET,
                  "(?iu:\\bул\\.|\\bулиц\\p{L}*|\\bпр-т|\\bпроспект\\p{L}*|\\bпер\\.|\\bпереул\\p{L}*"
                      + "|\\bш\\.|\\bшоссе|\\bб-р|\\bбульвар\\p{L}*|\\bнаб\\.|\\bнабережн\\p{L}*)"
                      + "\\W{0,3}("
                      + STREET_NAME
                      + ")",
                  73)
              .groups(1)
              .vetoedBy(ORGANISATION_NEARBY)
              .requiringNear(ADDRESS_NEARBY)
              .anchoredBy("ул", "просп", "пр-т", "пер.", "шоссе", "ш.", "бульвар", "б-р", "наб"),

          // «Невский пр-т» — указатель после названия. Форма слишком общая, поэтому
          // принимается только рядом с другими частями адреса: иначе под маску попал бы
          // любой рассказ про Невский проспект.
          Rule.of(
                  PdTypes.ADDRESS_STREET,
                  "\\b(\\p{Lu}[\\p{L}-]{2,30})\\s+"
                      + "(?iu:пр-т|проспект|улиц\\p{L}*|шоссе|бульвар|переул\\p{L}*|набережн\\p{L}*)\\b",
                  73)
              .groups(1)
              .vetoedBy(ORGANISATION_NEARBY)
              .requiringNear(ADDRESS_NEARBY)
              .anchoredBy("пр-т", "проспект", "улиц", "шоссе", "бульвар", "переул", "набережн"),
          Rule.of(
                  PdTypes.ADDRESS_HOUSE,
                  "(?iu:\\bд\\.|\\bдом)\\s?(\\d+\\p{L}?(?:\\s?(?iu:к\\.|корп\\.?|стр\\.)\\s?\\d+)?)\\b",
                  72)
              .groups(1)
              .vetoedBy(ORGANISATION_NEARBY)
              .anchoredBy("д.", "дом"),
          Rule.of(PdTypes.ADDRESS_FLAT, "(?iu:\\bкв\\.|\\bквартир\\p{L}*)\\s?(\\d+\\p{L}?)\\b", 72)
              .groups(1)
              .vetoedBy(ORGANISATION_NEARBY)
              .anchoredBy("кв"),
          Rule.of(
                  PdTypes.ADDRESS_COUNTRY,
                  "(?iu:стран\\p{L}*(?:\\s+(?:регистрации|проживания|гражданства))?)"
                      + "\\W{0,5}(\\p{Lu}[\\p{L}-]{2,30})\\b",
                  71)
              .groups(1)
              .vetoedBy(ORGANISATION_NEARBY)
              .anchoredBy("стран"));
}