text_analyzer/features/regex_features.py

"""
Moduł do ekstrakcji cech opartych na wyrażeniach regularnych.

Odpowiedzialny za wykrywanie i zliczanie predefiniowanych wzorców,
takich jak dane osobowe i wrażliwe (PII), numery identyfikacyjne,
daty, adresy e-mail i inne specyficzne formaty.
"""

from typing import Dict

from ..constants import PII_REGEX_PATTERNS

def calculate_all_regex_features(text: str) -> Dict[str, int]:
    """
    Przeszukuje tekst w poszukiwaniu wszystkich zdefiniowanych wzorców i 
    zlicza ich wystąpienia, zachowując zgodność z oryginalnym zestawem cech.

    Args:
        text (str): Tekst do analizy.

    Returns:
        Dict[str, int]: Słownik, w którym klucze to nazwy wzorców (np. 'email_reg'),
                        a wartości to liczba znalezionych dopasowań.
    """
    if not text:
        # Zwracamy słownik z zerami dla wszystkich kluczy, które by powstały.
        # Usuwamy 'domestic_phone_reg', bo nie jest to cecha końcowa.
        original_keys = [k for k in PII_REGEX_PATTERNS.keys() if k != 'domestic_phone_reg']
        return {name: 0 for name in original_keys}

    features = {}
    
    # Przechodzimy przez wszystkie prekompilowane wzorce
    for name, pattern in PII_REGEX_PATTERNS.items():
        try:
            matches = pattern.findall(text)
            features[name] = len(matches)
        except Exception as e:
            print(f"Błąd podczas przetwarzania wzorca '{name}': {e}")
            features[name] = 0

    # Odtworzenie oryginalnej logiki: suma telefonów jest przypisana do 'phone_reg'
    # a 'domestic_phone_reg' nie jest cechą końcową.
    if 'phone_reg' in features and 'domestic_phone_reg' in features:
        features['phone_reg'] += features['domestic_phone_reg']
        # Usuwamy klucz pomocniczy, aby nie pojawił się w wynikach końcowych.
        del features['domestic_phone_reg']
    
    return features