preprocess/utils/common/extracters.py

import re


def extract_years(text):
    """
    Извлекает сочетание числа и слова, указывающего возраст (например: '50 лет', '21 years').
    """
    # Регулярное выражение ищет числа и слова 'лет' или 'years' с учетом регистра
    match = re.search(r'\b(?<!\d)(\d{1,2})\s*(лет|years)\b', text, re.IGNORECASE)
    if match:
        # Приводим слово 'лет' или 'years' к исходному регистру
        return f"{match.group(1)} {match.group(2)}"
    return None

def extract_production_year(text):
    """
    Извлекает год производства (четырехзначное число в диапазоне 1900–2099) из строки.
    Например: '2019'.
    """
    match = re.search(r'\b(19\d{2}|20\d{2})\b', text)
    if match:
        return match.group(1)
    return None

def extract_alcohol_content(text):
    """
    Извлекает содержание алкоголя из строки.
    Например: '40%'.
    """
    match = re.search(r'(\d{1,2}(?:[.,]\d+)?\s*%)', text)
    if match:
        # Заменяем запятую на точку для единообразия (если нужно)
        return match.group(1).replace(' ', '').replace(',', '.')
    return None


def is_volume(value):
    """
    Проверяет, является ли значение валидным объемом (<= 10 литров).
    """
    try:
        volume = float(value)
        return volume if volume <= 10 else None
    except ValueError:
        return None

def extract_volume_or_number(text):
    """
    Извлекает объем в литрах или число с плавающей точкой из строки.
    Например: '0,75л', '0.5', или '1,5 л'.
    """
    # Попытка найти объем с буквой 'л' или без пробела перед ней
    match_with_l = re.search(r'(\d+(?:[\.,]\d+)?\s*[лЛ]|(?:\d+(?:[\.,]\d+)?[лЛ]))', text)
    if match_with_l:
        return is_volume(match_with_l.group(1).replace(',', '.').replace('л', '').replace('Л', '').strip())

    # Если не найдено, ищем просто число с плавающей точкой
    match_number = re.search(r'(?<!№)\b(\d{1,2}(?:[\.,]\d+))\b(?!\s*(№|-er|er|\d{3,}))', text)
    if match_number:
        return is_volume(match_number.group(1).replace(',', '.'))

    return None