Update gdpr_filter.py

gdpr_filter.py

@@ -11,34 +11,27 @@ from config import Config
 def apply_gdpr_filter(text: str) -> str:
     """
     Identifierar och ersätter personuppgifter i svensk text.
-
-    Hanterar:
-    - Svenska personnummer (YYYYMMDD-XXXX eller YYMMDD-XXXX)
-    - Telefonnummer (svenska format)
-    - E-postadresser
-    - Datum (flera format)
-    - Gatuadresser (vanliga svenska suffix)
-    - Egennamn (för- och efternamn, två versaler)
-
-    Returnerar anonymiserad text med platshållare.
     """
 
-    # --- Personnummer ---
+    # --- Personnummer (innan andra nummer-regler) ---
     text = re.sub(r'\b(?:19|20)?\d{6}[-–]\d{4}\b', '[PERSONNR]', text)
 
-    # --- Telefonnummer ---
+    # --- Telefonnummer (inkl. utrymmen mellan grupper) ---
     text = re.sub(
         r'\b(?:\+46|0)[\s\-]?\d{1,3}[\s\-]?\d{3,4}[\s\-]?\d{2,4}\b',
         '[TELEFON]', text
     )
+    # Löst stående långa nummer (7-10 siffror) efter "mobil/telefon/nummer"
+    text = re.sub(
+        r'(?i)(mobil(?:nummer)?|telefon(?:nummer)?|nummer)[\s:]+(\d[\d\s\-]{6,})',
+        r'\1 [TELEFON]', text
+    )
 
     # --- E-post ---
     text = re.sub(r'\b[\w\.\-]+@[\w\.\-]+\.\w{2,4}\b', '[EMAIL]', text)
 
-    # --- Datum ISO ---
+    # --- Datum ---
     text = re.sub(r'\b\d{4}[-–]\d{2}[-–]\d{2}\b', '[DATUM]', text)
-
-    # --- Datum svenska format ---
     text = re.sub(r'\b\d{1,2}[/\-\.]\d{1,2}[/\-\.]\d{2,4}\b', '[DATUM]', text)
 
     # --- Gatuadresser ---
@@ -47,8 +40,19 @@ def apply_gdpr_filter(text: str) -> str:
         '[ADRESS]', text
     )
 
+    # --- Svenska ortsnamn/stadsdelar efter "bor i/på", "i Stockholm" etc ---
+    # Matchar: "bor i Björkhagen", "i Göteborg", "på Södermalm"
+    text = re.sub(
+        r'(?i)(bor\s+(?:i|på|kvar\s+i)|i\s+stadsdelen|i\s+området)\s+([A-ZÅÄÖ][a-zåäö]{2,}(?:\s+[A-ZÅÄÖ][a-zåäö]+)?)',
+        r'\1 [ORT]', text
+    )
+
+    # --- Lösa 5-10 siffriga tal efter redan anonymiserade [TELEFON] etc. ---
+    # Exempel: "[TELEFON] 67" → "[TELEFON]"
+    text = re.sub(r'(\[TELEFON\])\s+\d{1,4}\b', r'\1', text)
+    text = re.sub(r'(\[PERSONNR\])\s+\d{1,4}\b', r'\1', text)
+
     # --- Egennamn (körs sist) ---
-    # Undviker termer i exclusion list (t.ex. läkemedelsnamn)
     exclusions = Config.GDPR_EXCLUSION_LIST
 
     def replace_name(match):