// 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 }