File size: 11,301 Bytes
0936c1f
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
import argparse
import bisect
import json
import re
import sys
import unicodedata
from dataclasses import asdict, dataclass
from pathlib import Path
from typing import Callable, List, Optional, Sequence, Tuple

_HERE = Path(__file__).resolve().parent
if str(_HERE) not in sys.path:          # чтобы `core/` нашёлся из любого cwd
    sys.path.insert(0, str(_HERE))

WINDOW_WORDPIECES = 384
DEFAULT_RULES = _HERE / "gitleaks.toml"
_BOUNDARY_RE = re.compile(r"(?:\n+|[.!?]\s+)")


@dataclass(frozen=True)
class Span:
    start: int
    end: int
    label: str
    source: str            # ner | regex | both
    score: Optional[float]  # None у спанов детерминированного слоя
    text: str


def plan_windows(
    text: str, count: Callable[[str], int], maximum: int = WINDOW_WORDPIECES
) -> List[Tuple[int, int]]:
    """Режет текст на куски не длиннее `maximum` wordpiece, по границам
    предложений и абзацев там, где это возможно. Возвращает пары (начало, конец)
    в символах."""
    if not text:
        return []
    if count(text) <= maximum:
        return [(0, len(text))]

    boundaries = sorted({0, *(m.end() for m in _BOUNDARY_RE.finditer(text)), len(text)})

    def fitting_end(left: int) -> int:
        low, step = left, maximum * 4
        high = min(len(text), left + step)
        while high < len(text) and count(text[left:high]) <= maximum:
            low, step = high, step * 2
            high = min(len(text), left + step)
        if high == len(text) and count(text[left:high]) <= maximum:
            return high
        while low + 1 < high:
            middle = (low + high) // 2
            if count(text[left:middle]) <= maximum:
                low = middle
            else:
                high = middle
        return low

    windows: List[Tuple[int, int]] = []
    start = 0
    while start < len(text):
        candidate = fitting_end(start)
        if candidate <= start:
            raise RuntimeError(f"ни один непустой префикс не влезает в {maximum} wordpiece на {start}")
        boundary = boundaries[bisect.bisect_right(boundaries, candidate) - 1]
        end = boundary if boundary > start else candidate
        if count(text[start:end]) > maximum:
            end = candidate
        windows.append((start, end))
        if end >= len(text):
            break
        start = end
    return windows


def extract_entities(bio: Sequence[str]) -> List[Tuple[int, int, str]]:
    """BIO-теги → (начало, конец, метка) в индексах токенов. I- без своего B-
    открывает сущность: модель не обязана быть согласованной, а терять
    предсказание из-за этого нельзя."""
    ents: List[Tuple[int, int, str]] = []
    cur_label: Optional[str] = None
    cur_start = 0
    for i, tag in enumerate(list(bio) + ["O"]):
        if tag.startswith("B-"):
            if cur_label is not None:
                ents.append((cur_start, i, cur_label))
            cur_label, cur_start = tag[2:], i
        elif tag.startswith("I-"):
            label = tag[2:]
            if cur_label == label:
                continue
            if cur_label is not None:
                ents.append((cur_start, i, cur_label))
            cur_label, cur_start = label, i
        else:
            if cur_label is not None:
                ents.append((cur_start, i, cur_label))
            cur_label = None
    return ents


def _lower_score(left: Optional[float], right: Optional[float]) -> Optional[float]:
    present = [s for s in (left, right) if s is not None]
    return min(present) if present else None


def merge(spans: List[Span], text: str) -> List[Span]:
    """Склеивает пересекающиеся и примыкающие однометочные спаны. Метку задаёт
    первый спан — самый левый, затем самый длинный, затем NER вперёд regex."""
    if not spans:
        return []
    ordered = sorted(
        spans,
        key=lambda s: (s.start, -(s.end - s.start), 0 if s.source == "ner" else 1),
    )
    out: List[Span] = [ordered[0]]
    for sp in ordered[1:]:
        prev = out[-1]
        if sp.start < prev.end or (sp.start == prev.end and sp.label == prev.label):
            end = max(prev.end, sp.end)
            out[-1] = Span(
                prev.start, end, prev.label,
                prev.source if sp.source == prev.source else "both",
                prev.score if sp.start < prev.end else _lower_score(prev.score, sp.score),
                text[prev.start:end],
            )
        else:
            out.append(sp)
    return out


class Detector:
    def __init__(
        self,
        model_id: str = "fef2/ner_rus_bert-secret_detection",
        device: str = "cpu",
        fp16: Optional[bool] = None,
        window_wordpieces: int = WINDOW_WORDPIECES,
        batch_size: int = 32,
        rules: Optional[str | Path] = DEFAULT_RULES,
    ) -> None:
        import torch
        from transformers import AutoModelForTokenClassification, AutoTokenizer

        self.torch = torch
        self.device = device
        self.window = window_wordpieces
        self.max_length = window_wordpieces + 2  # [CLS] … [SEP]
        self.batch_size = max(1, batch_size)

        self.tokenizer = AutoTokenizer.from_pretrained(model_id, use_fast=True)
        if not self.tokenizer.is_fast:
            raise SystemExit("нужен fast-токенизатор: без offset_mapping смещения не восстановить")

        model = AutoModelForTokenClassification.from_pretrained(model_id).eval()
        if fp16 is None:
            fp16 = device.startswith("cuda")
        if fp16:
            model = model.half()
        self.model = model.to(device)
        self.id2label = {int(k): v for k, v in model.config.id2label.items()}

        self.rules: list = []
        if rules is not None:
            from core.scrubber import load_gitleaks_rules

            self.rules, skipped = load_gitleaks_rules(Path(rules))
            if not self.rules:
                raise SystemExit(f"правила не загрузились: {rules}")
            self.rules_skipped = skipped

    def _count(self, text: str) -> int:
        return len(self.tokenizer(text, add_special_tokens=False)["input_ids"])

    def spans(self, text: str) -> List[Span]:
        """Спаны по NFC-нормализованному тексту. Нормализуйте вход тем же NFC,
        прежде чем резать его по этим индексам."""
        text = unicodedata.normalize("NFC", text)
        found: List[Span] = []
        windows = plan_windows(text, self._count, self.window)
        for i in range(0, len(windows), self.batch_size):
            found.extend(self._forward(text, windows[i:i + self.batch_size]))
        found.extend(self.regex_spans(text))
        return merge(found, text)

    def regex_spans(self, text: str) -> List[Span]:
        """Детерминированный слой: kv-детектор, CLI-детектор и правила gitleaks
        по непрозрачным значениям. Без модели, без GPU."""
        if not self.rules:
            return []
        from core.scrubber import credential_sites

        return [Span(s.start, s.end, s.label, "regex", None, text[s.start:s.end])
                for s in credential_sites(text, self.rules)]

    def _forward(self, text: str, windows: Sequence[Tuple[int, int]]) -> List[Span]:
        torch = self.torch
        enc = self.tokenizer(
            [text[a:b] for a, b in windows],
            return_offsets_mapping=True,
            return_special_tokens_mask=True,
            truncation=True,
            max_length=self.max_length,
            padding=True,
            return_tensors="pt",
        )
        with torch.inference_mode():
            logits = self.model(
                input_ids=enc["input_ids"].to(self.device),
                attention_mask=enc["attention_mask"].to(self.device),
            ).logits
        preds = logits.argmax(-1).cpu()
        confidence = logits.float().softmax(-1).max(-1).values.cpu()
        offsets = enc["offset_mapping"].tolist()
        special = enc["special_tokens_mask"].tolist()

        out: List[Span] = []
        for bi, (base, _) in enumerate(windows):
            real = [i for i, m in enumerate(special[bi]) if m == 0]
            bio = [self.id2label[int(preds[bi, i])] for i in real]
            for begin, end, label in extract_entities(bio):
                start = base + offsets[bi][real[begin]][0]
                stop = base + offsets[bi][real[end - 1]][1]
                if stop > start:
                    score = min(float(confidence[bi, real[i]]) for i in range(begin, end))
                    out.append(Span(start, stop, label, "ner", round(score, 4), text[start:stop]))
        return out

    def mask(self, text: str, template: str = "[REDACTED:{label}]") -> str:
        text = unicodedata.normalize("NFC", text)
        parts, cursor = [], 0
        for sp in self.spans(text):
            parts.append(text[cursor:sp.start])
            parts.append(template.format(label=sp.label))
            cursor = sp.end
        parts.append(text[cursor:])
        return "".join(parts)


def main() -> int:
    ap = argparse.ArgumentParser(description=__doc__, formatter_class=argparse.RawDescriptionHelpFormatter)
    src = ap.add_mutually_exclusive_group()
    src.add_argument("--text", help="текст прямо в аргументе")
    src.add_argument("--file", help="файл с текстом (иначе — stdin)")
    ap.add_argument("--model", default="fef2/ner_rus_bert-secret_detection",
                    help="id на Hub или локальный каталог")
    ap.add_argument("--device", default="cpu", help="cpu | cuda | cuda:0 | mps")
    ap.add_argument("--rules", default=str(DEFAULT_RULES), help="путь к gitleaks.toml")
    ap.add_argument("--no-rules", action="store_true", help="только NER, без детерминированного слоя")
    ap.add_argument("--json", action="store_true", help="спаны в JSON")
    ap.add_argument("--spans", action="store_true", help="спаны построчно")
    args = ap.parse_args()

    if args.text is not None:
        text = args.text
    elif args.file:
        text = open(args.file, encoding="utf-8").read()
    else:
        text = sys.stdin.read()

    det = Detector(args.model, device=args.device, rules=None if args.no_rules else args.rules)
    if args.json:
        print(json.dumps([asdict(s) for s in det.spans(text)], ensure_ascii=False, indent=2))
    elif args.spans:
        for s in det.spans(text):
            score = "  ----" if s.score is None else f"{s.score:.4f}"
            print(f"{s.start:>7} {s.end:>7}  {s.label:<16} {s.source:<5} {score}  {s.text!r}")
    else:
        print(det.mask(text))
    return 0


if __name__ == "__main__":
    raise SystemExit(main())