arm-scan-gateway/api/src/normalizer/ocr/dates.py

"""Разбор дат из OCR-текста (§11.1 п. 2). Дословный перенос `date_utils` старого ядра DKB_ARMKA
(проверен на стенде ИС Сканирование): текстовые формы по приоритету, затем числовые. Вход — текст после
`text.fix_lookalikes`; замена двойников здесь не выполняется.

Единственное отличие от источника (решение №31 design.md): тексты длиннее `MAX_DATE_TEXT_LENGTH` символов не
разбираются — регулярки квартала и полугодия дают кубическое backtracking на длинных строках (`"1" + " " * 4000 + "b"` —
десятки секунд при удерживаемом GIL), а дата занимает не более десятков символов."""

import re
from collections.abc import Callable
from datetime import date, timedelta

__all__ = ["MAX_DATE_TEXT_LENGTH", "is_date_sized", "parse_date"]

MAX_DATE_TEXT_LENGTH = 200


_ROMAN = {"I": 1, "II": 2, "III": 3, "IV": 4, "1V": 4, "11": 2, "111": 3}
_ORDINAL = {
    "перв": 1,
    "втор": 2,
    "трет": 3,
    "четв": 4,
}


# ---
# Месяцы
# ---
_MONTHS = {
    "январ": 1,
    "феврал": 2,
    "март": 3,
    "апрел": 4,
    "ма": 5,
    "июн": 6,
    "июл": 7,
    "август": 8,
    "сентябр": 9,
    "октябр": 10,
    "ноябр": 11,
    "декабр": 12,
}


def _month_num(word: str) -> int | None:
    w = word.lower()
    for stem, n in _MONTHS.items():
        if w.startswith(stem):
            return n
    return None


def _month_end(year: int, month: int) -> date:
    if month == 12:  # noqa: PLR2004
        return date(year, 12, 31)
    return date(year, month + 1, 1).replace(day=1) - timedelta(days=1)


def _year_full(y: str) -> int:
    y = int(y)  # type: ignore[assignment]
    return y if y > 100 else 2000 + y  # type: ignore[return-value,operator]  # noqa: PLR2004  # "25" -> 2025


_Y = r"(\d{4}|\d{2})\s*(?:г\.?|r\.?|год\w*)?"  # год + необязательное "г." / "r." / "года"
_MONTH_WORD = r"([а-яё]{3,8})"


def _qh(num_str: str) -> int | None:
    """Номер квартала/полугодия из '1', 'I', 'IV', 'первый', '1-й'."""
    t = num_str.strip().upper().rstrip("-Й")
    if t in _ROMAN:
        return _ROMAN[t]
    if t.isdigit():
        return int(t)
    for stem, n in _ORDINAL.items():
        if t.lower().startswith(stem):
            return n
    return None


# ---
# Паттерны. Порядок = приоритет.
# ---
_NUM = r"(I{1,3}V?|IV|\d|перв\w*|втор\w*|трет\w*|четв\w*)"

_PATTERNS: list[tuple[re.Pattern[str], Callable[[re.Match[str]], date | None]]] = [
    # --- диапазон "с 01.01.2025 по 30.09.2025": берём конец
    (
        re.compile(r"по\s*(\d{1,2})[.\-/ ](\d{1,2})[.\-/ ](\d{4}|\d{2})", re.I),
        lambda m: _safe(_year_full(m[3]), int(m[2]), int(m[1])),
    ),
    # --- "31 декабря 2025 г." / "на 30 сентября 2025 года"
    (
        re.compile(rf"(\d{{1,2}})\s+{_MONTH_WORD}\s+{_Y}", re.I),
        lambda m: _safe(_year_full(m[3]), _month_num(m[2]), int(m[1])),
    ),
    # --- "I квартал 2026", "1-й кв. 2026", "первый квартал"
    (
        re.compile(rf"{_NUM}\s*-?\s*(?:й|ый|ого|го)?\s*кв\w*\.?\s*{_Y}", re.I),
        lambda m: _period(m[2], (_qh(m[1]) or 0) * 3),
    ),  # noqa: PLR2004
    # --- "1 полугодие 2026", "первое полугодие", "1 п/г 2026"
    (
        re.compile(rf"{_NUM}\s*-?\s*(?:е|ое|го)?\s*(?:полугоди\w*|п/г)\.?\s*{_Y}", re.I),
        lambda m: _period(m[2], (_qh(m[1]) or 0) * 6),
    ),  # noqa: PLR2004
    # --- "9 месяцев 2025", "9 мес. 2025"
    (re.compile(rf"(\d{{1,2}})\s*мес\w*\.?\s*{_Y}", re.I), lambda m: _period(m[2], int(m[1]))),
    # --- "январь - сентябрь 2025": последний месяц
    (re.compile(rf"{_MONTH_WORD}\s*[-–—]\s*{_MONTH_WORD}\s*{_Y}", re.I), lambda m: _period(m[3], _month_num(m[2]))),
    # --- "за 2025 г." / "2025 год" / "2025г" / "2025 r."
    (re.compile(r"(?:за\s*)?(?:отч[её]тный\s*)?(\d{4})\s*(?:г\b|г\.|r\b|r\.|год)", re.I), lambda m: _period(m[1], 12)),
]


def _period(year_str: str, month: int | None) -> date | None:
    if not month or not 1 <= month <= 12:  # noqa: PLR2004
        return None
    return _month_end(_year_full(year_str), month)


def _safe(y: int, m: int | None, d: int) -> date | None:
    try:
        return date(y, m, d) if m else None
    except ValueError:
        return None


def _text_date(s: str) -> date | None:
    for rx, fn in _PATTERNS:
        m = rx.search(s)
        if m:
            d = fn(m)
            if d:
                return d
    return None


# ---
# Числовые формы
# ---
def _numeric_date(s: str) -> date | None:  # noqa: PLR0911
    groups = re.findall(r"\d+", s)
    if not groups:
        return None

    # ровно три группы: "30.09.2025", "2025 03 31", "30/09/25"
    if len(groups) == 3:  # noqa: PLR2004
        return _from_parts(*groups)

    # иначе склеиваем цифры и смотрим на длину:
    # "2 0 2 4", "30 09 2 0 2 5", "3 0  0 9 2025", "| 3 | 0 | 0 | 9 | 2 | 0 | 2 | 5 |"
    digits = "".join(groups)
    if len(digits) == 8:  # noqa: PLR2004
        return _from_digits(digits)
    if len(digits) == 4:  # noqa: PLR2004
        return _year(int(digits))
    if len(digits) == 6:  # noqa: PLR2004
        return _from_parts(digits[:2], digits[2:4], digits[4:])

    # длинный хвост: "30.09.2025 0:00:00" — дата в первых трёх группах
    if len(groups) > 3:  # noqa: PLR2004
        return _from_parts(*groups[:3])
    return None


def _from_digits(g: str) -> date | None:
    """8 слитных цифр: ДДММГГГГ, ГГГГММДД, ГГГГДДММ — первый валидный вариант."""
    return (
        _from_parts(g[:2], g[2:4], g[4:])  # ДД ММ ГГГГ
        or _from_parts(g[6:], g[4:6], g[:4])  # ГГГГ ММ ДД
        or _from_parts(g[4:6], g[6:], g[:4])
    )  # ГГГГ ДД ММ


def _from_parts(a: str, b: str, c: str) -> date | None:
    """Пробуем DD MM YYYY и YYYY MM DD (год 2- или 4-значный только в позиции года)."""
    for d, m, y in ((a, b, c), (c, b, a)):
        if len(y) in (2, 4) and len(d) <= 2 and len(m) <= 2:  # noqa: PLR2004
            try:
                return date(_year_full(y), int(m), int(d))
            except ValueError:
                continue
    return None


def _year(y: int) -> date | None:
    """Одинокий год -> 31.12 этого года (годовая отчётность)."""
    return date(y, 12, 31) if 1990 <= y <= 2100 else None  # noqa: PLR2004


def is_date_sized(text: str) -> bool:
    """Текст не длиннее `MAX_DATE_TEXT_LENGTH` (по краям пробелы не считаются): только такой разбирается как дата.
    Вызывающие проверяют это ДО `fix_lookalikes`, чтобы не гонять замену двойников по длинному тексту."""
    return len(text.strip()) <= MAX_DATE_TEXT_LENGTH


def parse_date(value: object) -> date | None:
    """Вернуть дату или None, если это не дата (название компании и т.п.) или текст длиннее `MAX_DATE_TEXT_LENGTH`."""
    if not isinstance(value, str):
        return None
    s = value.strip()
    if not s or not is_date_sized(s):
        return None
    # текстовые формы ищем по всей строке, числовые — по первой (дальше мусор)
    return _text_date(s) or _numeric_date(s.split("\n", 1)[0]) or _numeric_date(s.replace("\n", " "))