File size: 9,133 Bytes
660dde6
 
 
 
 
dbabef2
660dde6
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
from __future__ import annotations

import re
from typing import List

from db.parsers.bsa.legal_models import (
    Clause,
    SubClause,
    RomanClause
)


class ClauseParser:

    # =====================================================
    # REGEX
    # =====================================================

    CLAUSE_RE = re.compile(
        r"(?m)^\s*\((\d+[A-Za-z]?)\)"
    )

    SUBCLAUSE_RE = re.compile(
        r"(?m)^\s*\(([a-z])\)"
    )

    ROMAN_RE = re.compile(
        r"(?m)^\s*\(([ivxlcdm]+)\)"
    )

    ROMAN_VALUES = {
        "i", "ii", "iii", "iv", "v",
        "vi", "vii", "viii", "ix", "x",
        "xi", "xii", "xiii", "xiv", "xv",
        "xvi", "xvii", "xviii", "xix", "xx"
    }

    STOP_WORDS = [
        "Explanation.",
        "Explanation.—",
        "Explanation.-",
        "Illustration.",
        "Illustrations.",
        "Exception.",
        "Exception.—",
        "Provided that",
        "Provided further that"
    ]

    # =====================================================
    # SPLITTER
    # =====================================================

    def split_sections(
        self,
        text: str,
        pattern: re.Pattern
    ):

        matches = list(
            pattern.finditer(text)
        )

        if not matches:
            return []

        sections = []

        for i, match in enumerate(matches):

            start = match.start()

            end = (
                matches[i + 1].start()
                if i + 1 < len(matches)
                else len(text)
            )

            sections.append(
                (
                    match.group(1),
                    text[start:end].strip()
                )
            )

        return sections

    # =====================================================
    # CLEAN CLAUSE TEXT
    # =====================================================

    def clean_clause_text(
        self,
        text: str
    ) -> str:

        cutoff = len(text)

        for word in self.STOP_WORDS:

            pos = text.find(word)

            if pos != -1:

                cutoff = min(
                    cutoff,
                    pos
                )

        return text[:cutoff]

    # =====================================================
    # ROMAN CLAUSES
    # =====================================================

    def parse_roman_clauses(
        self,
        text: str
    ) -> List[RomanClause]:

        romans = []

        roman_sections = self.split_sections(
            text,
            re.compile(
                r"(?m)^\s*\((i|ii|iii|iv|v|vi|vii|viii|ix|x|xi|xii|xiii|xiv|xv|xvi|xvii|xviii|xix|xx)\)"
            )
        )

        for roman_no, roman_text in roman_sections:

            romans.append(
                RomanClause(
                    document="bsa",
                    roman_no=roman_no,
                    text=roman_text
                )
            )

        return romans

    # =====================================================
    # SUBCLAUSES
    # =====================================================

    def parse_subclauses(
        self,
        text: str
    ) -> List[SubClause]:

        subclauses = []

        sub_sections = self.split_sections(
            text,
            self.SUBCLAUSE_RE
        )

        for sub_no, sub_text in sub_sections:

            if (
                sub_no.lower()
                in self.ROMAN_VALUES
            ):
                continue

            sub = SubClause(
                document="bsa",
                sub_clause_no=sub_no,
                text=sub_text
            )

            sub.roman_clauses.extend(
                self.parse_roman_clauses(
                    sub_text
                )
            )

            subclauses.append(
                sub
            )

        return subclauses

    # =====================================================
    # CLAUSES
    # =====================================================

    def parse_clauses(
        self,
        section_text: str
    ) -> List[Clause]:

        section_text = re.sub(
            r"([;:—])\(([a-z])\)",
            r"\1\n(\2)",
            section_text
        )

        section_text = re.sub(
            r"([.;:—])\((\d+[A-Za-z]?)\)",
            r"\1\n(\2)",
            section_text
        )

        section_text = re.sub(
            r"(\d+\.)\s*(\(\d+[A-Za-z]?\))",
            r"\1\n\2",
            section_text
        )

        clauses = []

        # =================================================
        # NUMERIC CLAUSES
        # =================================================

        clause_sections = self.split_sections(
            section_text,
            self.CLAUSE_RE
        )

        if clause_sections:

            for clause_no, clause_text in clause_sections:

                clause = Clause(
                    document="bsa",
                    clause_no=clause_no,
                    text=clause_text
                )

                clean_text = self.clean_clause_text(
                    clause_text
                )

                clause.sub_clauses.extend(
                    self.parse_subclauses(
                        clean_text
                    )
                )

                if not clause.sub_clauses:

                    clause.roman_clauses.extend(
                        self.parse_roman_clauses(
                            clean_text
                        )
                    )

                clauses.append(
                    clause
                )

            return clauses

        # =================================================
        # BSA STYLE
        #
        # (a)
        # (b)
        # (c)
        #
        # WITHOUT (1)
        # =================================================

        alpha_sections = self.split_sections(
            section_text,
            self.SUBCLAUSE_RE
        )

        if alpha_sections:

            synthetic_clause = Clause(
                document="bsa",
                clause_no="0",
                text=section_text
            )

            for alpha_no, alpha_text in alpha_sections:

                if (
                    alpha_no.lower()
                    in self.ROMAN_VALUES
                ):
                    continue

                sub = SubClause(
                    document="bsa",
                    sub_clause_no=alpha_no,
                    text=alpha_text
                )

                sub.roman_clauses.extend(
                    self.parse_roman_clauses(
                        alpha_text
                    )
                )

                synthetic_clause.sub_clauses.append(
                    sub
                )

            clauses.append(
                synthetic_clause
            )

            return clauses

        return []

    # =====================================================
    # VALIDATION
    # =====================================================

    def validate_clauses(
        self,
        clauses: List[Clause]
    ) -> List[str]:

        errors = []

        clause_seen = set()

        for clause in clauses:

            if (
                clause.clause_no
                in clause_seen
            ):

                errors.append(
                    f"Duplicate Clause "
                    f"{clause.clause_no}"
                )

            clause_seen.add(
                clause.clause_no
            )

            # ---------------------------------
            # Romans directly under clause
            # ---------------------------------

            roman_seen = set()

            for roman in clause.roman_clauses:

                if (
                    roman.roman_no
                    in roman_seen
                ):

                    errors.append(
                        f"Duplicate Roman "
                        f"{roman.roman_no}"
                    )

                roman_seen.add(
                    roman.roman_no
                )

            # ---------------------------------
            # Subclauses
            # ---------------------------------

            sub_seen = set()

            for sub in clause.sub_clauses:

                if (
                    sub.sub_clause_no
                    in sub_seen
                ):

                    errors.append(
                        f"Duplicate SubClause "
                        f"{sub.sub_clause_no}"
                    )

                sub_seen.add(
                    sub.sub_clause_no
                )

                roman_seen = set()

                for roman in sub.roman_clauses:

                    if (
                        roman.roman_no
                        in roman_seen
                    ):

                        errors.append(
                            f"Duplicate Roman "
                            f"{roman.roman_no}"
                        )

                    roman_seen.add(
                        roman.roman_no
                    )

        return errors