Update custom_recognizers.py

2025-06-16 03:20:51 +02:00
parent cbe7288bf4
commit dc986bfe50
1 changed files with 181 additions and 29 deletions
--- a/presidio_config/custom_recognizers.py
+++ b/presidio_config/custom_recognizers.py
@@ -1,47 +1,199 @@
+"""
+Reconnaisseurs personnalisés pour les données belges et françaises.
+"""
+
 from presidio_analyzer import Pattern, PatternRecognizer

-# --- DÉTECTEURS SPÉCIFIQUES À LA BELGIQUE ---

 class BelgianNrnRecognizer(PatternRecognizer):
    """Détecteur pour le Numéro de Registre National belge (NRN/NISS)."""
-    PATTERNS = [Pattern(name="NRN (format standard)", regex=r"\b(?:[0-9]{2}\.[0-9]{2}\.[0-9]{2}-\d{3}\.\d{2})\b", score=1.0)]
-    CONTEXT = ["registre national", "nrn", "niss"]
-    SUPPORTED_ENTITY = "BE_NATIONAL_REGISTER_NUMBER"
+    
+    def __init__(self):
+        patterns = [
+            # Format standard : 12.34.56-789.01
+            Pattern(
+                name="NRN format standard", 
+                regex=r"\b\d{2}\.\d{2}\.\d{2}-\d{3}\.\d{2}\b", 
+                score=1.0
+            ),
+            # Format compact : 12345678901
+            Pattern(
+                name="NRN format compact", 
+                regex=r"\b\d{11}\b", 
+                score=0.7
+            ),
+            # Format avec espaces : 12 34 56 789 01
+            Pattern(
+                name="NRN format espacé", 
+                regex=r"\b\d{2}\s\d{2}\s\d{2}\s\d{3}\s\d{2}\b", 
+                score=0.9
+            )
+        ]
+        super().__init__(
+            supported_entity="BE_NATIONAL_REGISTER_NUMBER",
+            patterns=patterns,
+            context=["registre national", "nrn", "niss", "numéro national", "identité"],
+            supported_language="fr"
+        )
+

 class BelgianEnterpriseRecognizer(PatternRecognizer):
-    """Détecteur pour le N° d'entreprise belge (BTW/TVA)."""
-    PATTERNS = [Pattern(name="BTW/TVA", regex=r"\bBE\s?0\d{3}\.\d{3}\.\d{3}\b", score=0.95)]
-    CONTEXT = ["numéro d'entreprise", "btw", "tva"]
-    SUPPORTED_ENTITY = "BE_ENTERPRISE_NUMBER"
+    """Détecteur pour le numéro d'entreprise belge (BTW/TVA)."""
+    
+    def __init__(self):
+        patterns = [
+            # Format standard : BE0123.456.789
+            Pattern(
+                name="BTW/TVA format standard", 
+                regex=r"\bBE\s?0\d{3}\.\d{3}\.\d{3}\b", 
+                score=0.95
+            ),
+            # Format sans points : BE0123456789
+            Pattern(
+                name="BTW/TVA format compact", 
+                regex=r"\bBE\s?0\d{9}\b", 
+                score=0.9
+            )
+        ]
+        super().__init__(
+            supported_entity="BE_ENTERPRISE_NUMBER",
+            patterns=patterns,
+            context=["numéro d'entreprise", "btw", "tva", "entreprise", "société"],
+            supported_language="fr"
+        )
+
+
+class BelgianBankAccountRecognizer(PatternRecognizer):
+    """Détecteur pour les comptes bancaires belges."""
+    
+    def __init__(self):
+        patterns = [
+            # Format belge : 123-4567890-12
+            Pattern(
+                name="Compte bancaire belge", 
+                regex=r"\b\d{3}-\d{7}-\d{2}\b", 
+                score=0.9
+            )
+        ]
+        super().__init__(
+            supported_entity="BE_BANK_ACCOUNT",
+            patterns=patterns,
+            context=["compte", "bancaire", "virement", "domiciliation", "banque"],
+            supported_language="fr"
+        )

-# --- AMÉLIORATIONS DES DÉTECTEURS DE BASE ---

 class ImprovedIbanRecognizer(PatternRecognizer):
-    """Détecteur amélioré pour les IBAN, pour s'assurer qu'il est bien capturé."""
-    PATTERNS = [Pattern(name="IBAN", regex=r"\b[A-Z]{2}\d{2}(?:\s?\d{4}){3,7}(?:\s?\d{1,4})?\b", score=0.95)]
-    CONTEXT = ["iban", "compte", "bancaire", "virement"]
-    SUPPORTED_ENTITY = "IBAN"
+    """Détecteur amélioré pour les IBAN européens."""
+    
+    def __init__(self):
+        patterns = [
+            # IBAN avec espaces
+            Pattern(
+                name="IBAN avec espaces", 
+                regex=r"\b[A-Z]{2}\d{2}(?:\s\d{4}){3,7}(?:\s\d{1,4})?\b", 
+                score=0.95
+            ),
+            # IBAN sans espaces
+            Pattern(
+                name="IBAN compact", 
+                regex=r"\b[A-Z]{2}\d{2}[A-Z0-9]{4,32}\b", 
+                score=0.9
+            )
+        ]
+        super().__init__(
+            supported_entity="IBAN",
+            patterns=patterns,
+            context=["iban", "compte", "bancaire", "virement", "international"],
+            supported_language="fr"
+        )
+

 class ImprovedPhoneRecognizer(PatternRecognizer):
-    """Détecteur amélioré pour les numéros de téléphone (BE/FR/LUX)."""
-    PATTERNS = [Pattern(name="Phone (EU)", regex=r"\b(?:(?:\+|00)(?:32|33|352)|0)\s?[1-9](?:[\s.-]?\d{2}){3,4}\b", score=0.9)]
-    CONTEXT = ["tel", "téléphone", "gsm", "mobile"]
-    SUPPORTED_ENTITY = "PHONE_NUMBER"
+    """Détecteur amélioré pour les numéros de téléphone BE/FR/LUX."""
+    
+    def __init__(self):
+        patterns = [
+            # Format international : +32 1 23 45 67 89
+            Pattern(
+                name="Téléphone international", 
+                regex=r"\b(?:\+|00)(?:32|33|352)\s?[1-9](?:[\s.-]?\d{2}){3,4}\b", 
+                score=0.9
+            ),
+            # Format national : 01 23 45 67 89
+            Pattern(
+                name="Téléphone national", 
+                regex=r"\b0[1-9](?:[\s.-]?\d{2}){4}\b", 
+                score=0.8
+            ),
+            # Format mobile belge : 04xx xx xx xx
+            Pattern(
+                name="Mobile belge", 
+                regex=r"\b04\d{2}[\s.-]?\d{2}[\s.-]?\d{2}[\s.-]?\d{2}\b", 
+                score=0.85
+            )
+        ]
+        super().__init__(
+            supported_entity="PHONE_NUMBER",
+            patterns=patterns,
+            context=["tel", "téléphone", "gsm", "mobile", "portable", "numéro"],
+            supported_language="fr"
+        )

-# --- NOUVEAUX DÉTECTEURS RGPD ---

 class FrenchNIRRecognizer(PatternRecognizer):
-    """Détecteur pour le Numéro de Sécurité Sociale Français (NIR)."""
-    PATTERNS = [Pattern(name="NIR", regex=r"\b[12]\s?\d{2}\s?(?:0[1-9]|1[0-2])\s?(?:2[ABab]|[0-9]{2})\s?\d{3}\s?\d{3}\s?\d{2}\b", score=1.0)]
-    CONTEXT = ["sécurité sociale", "nir"]
-    SUPPORTED_ENTITY = "FR_SOCIAL_SECURITY_NUMBER"
+    """Détecteur pour le Numéro de Sécurité Sociale français (NIR)."""
+    
+    def __init__(self):
+        patterns = [
+            # Format avec espaces : 1 23 04 75 123 456 78
+            Pattern(
+                name="NIR avec espaces", 
+                regex=r"\b[12]\s?\d{2}\s?(?:0[1-9]|1[0-2])\s?(?:2[ABab]|[0-9]{2})\s?\d{3}\s?\d{3}\s?\d{2}\b", 
+                score=1.0
+            ),
+            # Format compact : 12304751234567
+            Pattern(
+                name="NIR compact", 
+                regex=r"\b[12]\d{2}(?:0[1-9]|1[0-2])(?:2[ABab]|[0-9]{2})\d{6}\d{2}\b", 
+                score=0.95
+            )
+        ]
+        super().__init__(
+            supported_entity="FR_SOCIAL_SECURITY_NUMBER",
+            patterns=patterns,
+            context=["sécurité sociale", "nir", "numéro social", "sécu"],
+            supported_language="fr"
+        )

-# --- LISTE FINALE À CHARGER ---
-# C'est cette liste que le config.yaml va importer.
+
+class ImprovedEmailRecognizer(PatternRecognizer):
+    """Détecteur d'email amélioré avec contexte français."""
+    
+    def __init__(self):
+        patterns = [
+            # Email standard avec domaines courants
+            Pattern(
+                name="Email standard", 
+                regex=r"\b[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}\b", 
+                score=0.9
+            )
+        ]
+        super().__init__(
+            supported_entity="EMAIL_ADDRESS",
+            patterns=patterns,
+            context=["email", "mail", "courriel", "adresse électronique", "e-mail", "@"],
+            supported_language="fr"
+        )
+
+
+# Liste des reconnaisseurs à charger
 custom_recognizers = [
-    BelgianNrnRecognizer,
-    BelgianEnterpriseRecognizer,
-    ImprovedIbanRecognizer,
-    ImprovedPhoneRecognizer,
-    FrenchNIRRecognizer,
+    BelgianNrnRecognizer(),
+    BelgianEnterpriseRecognizer(),
+    BelgianBankAccountRecognizer(),
+    ImprovedIbanRecognizer(),
+    ImprovedPhoneRecognizer(),
+    FrenchNIRRecognizer(),
+    ImprovedEmailRecognizer()
 ]