File size: 10,076 Bytes
2a6941d | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 | // Package normalize turns raw register text into comparable keys: company
// names without legal forms, HS codes, hashed contact keys and Russian
// federal subjects.
package normalize
import (
"crypto/hmac"
"crypto/sha256"
"encoding/hex"
"regexp"
"strings"
"unicode"
)
var (
quotes = strings.NewReplacer("«", " ", "»", " ", "\"", " ", "'", " ", "“", " ", "”", " ", "„", " ", "`", " ", "Ё", "Е", "ё", "е")
dotted = regexp.MustCompile(`\b([A-ZА-Я])\.`)
nonAlnum = regexp.MustCompile(`[^\p{L}\p{N}&+]+`)
)
// legalPhrases are multi-word legal forms, removed before tokenising.
var legalPhrases = []string{
"ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ", "ОБЩЕСТВОМ С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ",
"ТОВАРИЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ", "ОБЩЕСТВО С ДОПОЛНИТЕЛЬНОЙ ОТВЕТСТВЕННОСТЬЮ",
"НЕПУБЛИЧНОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО", "ПУБЛИЧНОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО",
"ЗАКРЫТОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО", "ОТКРЫТОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО", "АКЦИОНЕРНОЕ ОБЩЕСТВО",
"ИНДИВИДУАЛЬНЫЙ ПРЕДПРИНИМАТЕЛЬ", "ЧАСТНОЕ ПРОИЗВОДСТВЕННОЕ УНИТАРНОЕ ПРЕДПРИЯТИЕ",
"ЧАСТНОЕ ТОРГОВОЕ УНИТАРНОЕ ПРЕДПРИЯТИЕ", "ЧАСТНОЕ УНИТАРНОЕ ПРЕДПРИЯТИЕ",
"ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ УНИТАРНОЕ ПРЕДПРИЯТИЕ", "ГОСУДАРСТВЕННОЕ УНИТАРНОЕ ПРЕДПРИЯТИЕ",
"РЕСПУБЛИКАНСКОЕ УНИТАРНОЕ ПРЕДПРИЯТИЕ", "МУНИЦИПАЛЬНОЕ УНИТАРНОЕ ПРЕДПРИЯТИЕ",
"СОВМЕСТНОЕ ПРЕДПРИЯТИЕ", "ПРОИЗВОДСТВЕННЫЙ КООПЕРАТИВ", "ЖЕКЕ КӘСІПКЕР",
"ЖАУАПКЕРШІЛІГІ ШЕКТЕУЛІ СЕРІКТЕСТІГІ", "ЖАУАПКЕРШІЛІГІ ШЕКТЕУЛІ СЕРІКТЕСТІК",
"LIMITED LIABILITY COMPANY", "LIMITED LIABILITY PARTNERSHIP", "JOINT STOCK COMPANY",
"PUBLIC LIMITED COMPANY", "PRIVATE LIMITED", "CO LTD", "CO KG", "GMBH & CO",
"SP Z O O", "SP ZOO", "S DE RL DE CV", "SA DE CV",
}
// legalTokens are single-token legal forms and filler words.
var legalTokens = map[string]bool{
"ООО": true, "ОАО": true, "ЗАО": true, "ПАО": true, "АО": true, "НАО": true, "ИП": true, "ТОО": true,
"ОДО": true, "ЧУП": true, "ЧТУП": true, "ЧПУП": true, "СООО": true, "ИООО": true, "УП": true,
"ФГУП": true, "ГУП": true, "МУП": true, "КФХ": true, "ЖШС": true, "АҚ": true, "ОсОО": true, "ОСОО": true,
"GMBH": true, "MBH": true, "AG": true, "KG": true, "KGAA": true, "SE": true, "LTD": true, "LIMITED": true, "LLC": true,
"INC": true, "INCORPORATED": true, "CORP": true, "CORPORATION": true, "CO": true, "COMPANY": true, "PLC": true,
"LLP": true, "LP": true, "SA": true, "SAS": true, "SARL": true, "SRL": true, "SPA": true, "SL": true, "SLU": true,
"BV": true, "NV": true, "OY": true, "OYJ": true, "AB": true, "AS": true, "ASA": true, "APS": true, "A/S": true,
"KFT": true, "ZRT": true, "SRO": true, "DOO": true, "DD": true, "PTE": true, "PTY": true, "BHD": true, "SDN": true,
"JSC": true, "OJSC": true, "CJSC": true, "PJSC": true, "OOO": true, "ZAO": true, "OAO": true, "TOO": true,
"SC": true, "SCS": true, "KK": true, "THE": true,
}
// Name returns a comparison key for a company name: upper case, quotes and
// legal forms removed, punctuation collapsed.
func Name(s string) string {
s = strings.ToUpper(quotes.Replace(s))
s = dotted.ReplaceAllString(s, "$1")
s = nonAlnum.ReplaceAllString(s, " ")
s = " " + strings.Join(strings.Fields(s), " ") + " "
for _, p := range legalPhrases {
s = strings.ReplaceAll(s, " "+p+" ", " ")
}
toks := strings.Fields(s)
out := toks[:0]
for _, t := range toks {
if !legalTokens[t] {
out = append(out, t)
}
}
if len(out) == 0 { // the name was nothing but a legal form; keep it
return strings.Join(strings.Fields(s), " ")
}
return strings.Join(out, " ")
}
// Upper upper-cases text for pattern matching and folds Ё to Е.
func Upper(s string) string {
return strings.ToUpper(quotes.Replace(s))
}
var (
personPrefix = regexp.MustCompile(`^\s*(ИП|И\.П\.|ИНДИВИДУАЛЬНЫЙ ПРЕДПРИНИМАТЕЛЬ|ЖЕКЕ КӘСІПКЕР|КФХ|ГЛАВА КФХ|ГЛАВА КРЕСТЬЯНСКОГО|КРЕСТЬЯНСКОЕ \(ФЕРМЕРСКОЕ\) ХОЗЯЙСТВО|КРЕСТЬЯНСКОЕ ФЕРМЕРСКОЕ ХОЗЯЙСТВО)[\s:]`)
// Surname Name Patronymic, as Russian, Belarusian and Central Asian
// registers write natural persons.
fullName = regexp.MustCompile(`^[А-ЯЁҚҒҮҰӘӨҺІ][А-ЯЁҚҒҮҰӘӨҺІа-яёқғүұәөһі-]+\s+[А-ЯЁҚҒҮҰӘӨҺІ][а-яёқғүұәөһі-]+\s+[А-ЯЁҚҒҮҰӘӨҺІ][а-яёқғүұәөһі]+(?:(?:ВИЧ|ВНА|ИЧНА|ИНИЧНА|КЫЗЫ|ОГЛЫ|УЛЫ|УУЛУ|вич|вна|ична|инична|кызы|оглы|улы|уулу)|\s+(?:КЫЗЫ|ОГЛЫ|УЛЫ|УУЛУ|кызы|оглы|улы|уулу))$`)
// Surname I.O.
initials = regexp.MustCompile(`^[А-ЯЁ][А-ЯЁа-яё-]+\s+[А-ЯЁ]\.\s?[А-ЯЁ]\.?$`)
)
// NaturalPerson reports whether an applicant is a natural person: an
// individual entrepreneur, the head of a farm household, or an individual
// named without any legal form. Their names and addresses are personal
// data and are withheld from published output.
func NaturalPerson(name, typeName, idKind string) bool {
if idKind == "02" { // ОГРНИП
return true
}
t := strings.ToUpper(typeName)
if strings.Contains(t, "ПРЕДПРИНИМАТЕЛ") || strings.Contains(t, "КӘСІПКЕР") || strings.Contains(t, "КРЕСТЬЯНСК") || strings.Contains(t, "ФЕРМЕРСК") {
return true
}
n := strings.TrimSpace(quotes.Replace(name))
n = strings.Join(strings.Fields(n), " ")
if personPrefix.MatchString(strings.ToUpper(n) + " ") {
return true
}
return fullName.MatchString(n) || initials.MatchString(n)
}
// HS splits a commodity code field into normalised codes of 4 to 10 digits.
func HS(raw string) []string {
var out []string
for _, part := range strings.FieldsFunc(raw, func(r rune) bool { return r == ',' || r == ';' || r == '\n' }) {
var b strings.Builder
for _, r := range part {
if r >= '0' && r <= '9' {
b.WriteRune(r)
}
}
d := b.String()
if len(d) > 10 {
d = d[:10]
}
if len(d) >= 4 {
out = append(out, d)
}
}
return out
}
// Contact normalises a phone number or e-mail address for hashing.
// It returns "" for values too short to identify anything.
func Contact(channel, v string) string {
v = strings.TrimSpace(v)
switch strings.ToUpper(channel) {
case "EM":
v = strings.ToLower(v)
if !strings.Contains(v, "@") {
return ""
}
return v
case "TE", "FX":
var b strings.Builder
for _, r := range v {
if unicode.IsDigit(r) {
b.WriteRune(r)
}
}
d := b.String()
if len(d) == 11 && d[0] == '8' {
d = "7" + d[1:]
}
if len(d) == 10 && d[0] == '9' { // Russian mobile written without the country code
d = "7" + d
}
if len(d) < 7 {
return ""
}
return d
default:
v = strings.ToLower(strings.TrimSuffix(strings.TrimPrefix(strings.TrimPrefix(v, "https://"), "http://"), "/"))
v = strings.TrimPrefix(v, "www.")
if len(v) < 4 {
return ""
}
return v
}
}
// SplitContacts splits a contact field that holds several values.
func SplitContacts(v string) []string {
return strings.FieldsFunc(v, func(r rune) bool { return r == ',' || r == ';' })
}
// Hasher derives stable, non-reversible keys from contact values and
// personal names using a secret key that never leaves the operator.
// Without the key a phone number cannot be recovered by enumeration.
type Hasher struct{ key []byte }
// NewHasher returns a Hasher for key.
func NewHasher(key []byte) *Hasher { return &Hasher{key: key} }
// Sum returns a 16-hex-character keyed hash of v.
func (h *Hasher) Sum(v string) string {
m := hmac.New(sha256.New, h.key)
m.Write([]byte(v))
return hex.EncodeToString(m.Sum(nil))[:16]
}
// Truncate cuts s to at most n runes.
func Truncate(s string, n int) string {
if len(s) <= n {
return s
}
r := []rune(s)
if len(r) <= n {
return s
}
return string(r[:n])
}
const cyrU = `А-ЯЁҚҒҮҰӘӨҺІ`
const cyrL = `а-яёқғүұәөһі`
var personInText = []*regexp.Regexp{
// "ИП Иванов Иван Иванович", "индивидуальный предприниматель Петрова А.С."
regexp.MustCompile(`(^|[^` + cyrU + cyrL + `A-Za-z0-9])(?i:ИП|И\.П\.|индивидуальн(?:ый|ого|ым|ому) предпринимател[ьяюем]+|глав[аы] (?:КФХ|крестьянского \(фермерского\) хозяйства))\s*[:«"]?\s*[` + cyrU + `][` + cyrL + `-]+(?:\s+[` + cyrU + `][` + cyrL + `]+|\s*[` + cyrU + `]\.){0,2}`),
// Surname Name Patronymic
regexp.MustCompile(`[` + cyrU + `][` + cyrL + `-]+\s+[` + cyrU + `][` + cyrL + `]+\s+[` + cyrU + `][` + cyrL + `]+(?:вич|вна|ична|инична)(?:\s+(?:оглы|кызы|улы|уулу))?`),
// Surname I.O. and I.O. Surname
regexp.MustCompile(`[` + cyrU + `][` + cyrL + `]{2,}(?:\s+|\s*,\s*)[` + cyrU + `]\.\s?[` + cyrU + `]\.`),
regexp.MustCompile(`[` + cyrU + `]\.\s?[` + cyrU + `]\.\s?[` + cyrU + `][` + cyrL + `]{2,}`),
}
// ScrubPersons replaces personal names in free text with "[лицо]".
// It is deliberately aggressive: free text in the register is about
// products, and a dropped surname costs less than a published one.
func ScrubPersons(s string) string {
if s == "" {
return s
}
s = personInText[0].ReplaceAllString(s, "${1}[лицо]")
for _, re := range personInText[1:] {
s = re.ReplaceAllString(s, "[лицо]")
}
return s
}
|