Actualiser app.py

app.py

@@ -1,43 +1,55 @@
 import os
+import re
 import logging
 from flask import Flask, request, jsonify, make_response
 
-# On importe UNIQUEMENT le Provider, qui gère tout.
 from presidio_analyzer import AnalyzerEngineProvider
 
-# Configuration du logging
+# Config du logging
 logging.basicConfig(level=logging.INFO,
                     format='%(asctime)s - %(name)s - %(levelname)s - %(message)s')
 logger = logging.getLogger(__name__)
 
-# Initialisation de l'application Flask
 app = Flask(__name__)
 
-# --- Initialisation Globale de l'Analyseur via le Provider ---
+# Initialisation Presidio Analyzer via Provider
 analyzer = None
 try:
     logger.info("--- Presidio Analyzer Service Starting ---")
-    
-    # Le chemin vers le fichier de config est selon variable d'environnement ou par défaut
     CONFIG_FILE_PATH = os.environ.get("PRESIDIO_ANALYZER_CONFIG_FILE", "conf/default.yaml")
-    
-    # Création du moteur via le Provider 
     provider = AnalyzerEngineProvider(analyzer_engine_conf_file=CONFIG_FILE_PATH)
     analyzer = provider.create_engine()
-
+    logger.info(f"Analyzer ready. Supported languages: {analyzer.supported_languages}")
-    logger.info(f"Analyzer created successfully, supported languages: {analyzer.supported_languages}")
-    logger.info("--- Presidio Analyzer Service Ready ---")
-
 except Exception as e:
-    logger.exception("FATAL: Error during AnalyzerEngine initialization.")
+    logger.exception("Error during AnalyzerEngine initialization.")
     analyzer = None
 
 
+# Regex IBAN strict : 2 lettres, 2 chiffres, puis 4 groupes de 4 alphanum (minimum),
+# avec optional whitespace between groups
+IBAN_REGEX = re.compile(r"\b[A-Z]{2}[0-9]{2}(?:\s?[A-Z0-9]{4}){4,7}\b", re.IGNORECASE)
+
+# Labels / titres à exclure de l'anonymisation (en minuscules pour normalisation)
+IGNORE_LABELS = {
+    "témoins",
+    "témoins clés",
+    "coordonnées",
+    "coordonnées bancaires",
+    "contexte financier",
+    "données sensibles",
+    "contexte",
+    # ajouter d'autres labels ici si besoin
+}
+
+def normalize_label(txt):
+    return txt.strip().lower()
+
+
 @app.route('/analyze', methods=['POST'])
 def analyze_text():
     if not analyzer:
         return jsonify({"error": "Analyzer engine is not available. Check startup logs."}), 500
-    
+
     try:
         data = request.get_json(force=True)
         text_to_analyze = data.get("text", "")
@@ -45,39 +57,48 @@ def analyze_text():
 
         if not text_to_analyze:
             return jsonify({"error": "text field is missing or empty"}), 400
-        
+
-        # Analyse avec Presidio
         results = analyzer.analyze(
             text=text_to_analyze,
             language=language
         )
-        
-        # Liste des labels/titres à ne PAS anonymiser
-        IGNORE_LABELS = {
-            "Témoins",
-            "Témoins clés",
-            "Coordonnées",
-            "Coordonnées bancaires",
-            "Contexte financier",
-            "Données sensibles",
-            "Contexte",
-            # Ajoute ici tout autre label problématique
-        }
 
-        def normalize_label(txt):
-            return txt.strip().lower()
-
-        ignore_labels_normalized = set(normalize_label(l) for l in IGNORE_LABELS)
-
-        # Filtrage post-analyse pour enlever les entités correspondant aux labels/titres
         filtered_results = []
         for res in results:
-            ent_text = text_to_analyze[res.start:res.end]
+            ent_text = text_to_analyze[res.start:res.end].strip()
-            if normalize_label(ent_text) not in ignore_labels_normalized:
+            ent_text_norm = normalize_label(ent_text)
-                filtered_results.append(res)
+
-        
+            # 1. Ignorer les entités correspondant exactement aux labels/titres à préserver
-        # Préparation de la réponse JSON
+            if ent_text_norm in IGNORE_LABELS:
+                logger.debug(f"Skip anonymizing label: '{ent_text}'")
+                continue
+
+            # 2. Si entité de type IBAN, resserrer la sélection strictement au format IBAN
+            if res.entity_type == "IBAN":
+                match = IBAN_REGEX.search(ent_text)
+                if match:
+                    true_iban = match.group(0)
+                    # Recalcule start/end dans le texte original
+                    start_offset = ent_text.find(true_iban)
+                    if start_offset != -1:
+                        old_start = res.start
+                        old_end = res.end
+                        res.start += start_offset
+                        res.end = res.start + len(true_iban)
+                        ent_text = true_iban
+                        logger.debug(f"Correct IBAN span from ({old_start}-{old_end}) to ({res.start}-{res.end}): '{ent_text}'")
+                    else:
+                        # Aucun start trouvé (peu probable), garder tel quel
+                        logger.warning(f"Could not find exact IBAN substring in entity text: '{ent_text}'")
+                else:
+                    # Pas de correspondance valide au regex IBAN, on peut choisir d'ignorer ou garder tel quel
+                    logger.warning(f"Entity IBAN does not match IBAN regex: '{ent_text}'")
+
+            filtered_results.append(res)
+
         response_data = [res.to_dict() for res in filtered_results]
+
+        # **Important :** retourne uniquement les entités à anonymiser (sans labels exclus)
         return make_response(jsonify(response_data), 200)
 
     except Exception as e: