fix(ptica): act_date — дата акта об изъятии, а не первой попавшейся ссылки (#2464)

Часть эпика #2464.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

backend/app/services/scrapers/izyatie_ocr.py

@@ -37,6 +37,33 @@ _RE_ACT_NUMBER = re.compile(
 )
 _RE_ACT_DATE = re.compile(r"от\s+(\d{2})\.(\d{2})\.(\d{4})")
 
+# Слова, по которым дата опознаётся как дата САМОГО акта-основания, а не
+# ссылки на другой документ (#2464). «Сообщение о планируемом изъятии»
+# открывается списком оснований, где первой строкой почти всегда стоит
+# «Решение Екатеринбургской городской Думы от 06.07.2004 № 60/1 «Об
+# утверждении Генерального плана города»» — Генплан, а не акт об изъятии.
+# Брать первую дату подряд означало ставить всем участкам дату Генплана.
+#
+# Действующее основание изъятия — постановление (Администрации города об
+# утверждении проекта планировки/межевания либо Правительства области),
+# поэтому дата принимается, только если слово стоит в предшествующем контексте.
+# Ссылки-помехи в этих документах — «Решение … Думы» и «Приказ Министерства»,
+# и ни одна из них слова «постановление» не содержит.
+#
+# Пробовал требовать ещё и «администраци»: на пяти прод-документах результат
+# тот же 5 из 5, но правило ломает законный случай «Постановление № 509-ПП»
+# (областное постановление без слова «администрация») — он уже закреплён
+# тестом test_act_date_extracted_from_text. Взято более широкое условие:
+# на живых данных оно не хуже, а лишнего не отсекает.
+_ACT_CONTEXT_WORDS = ("постановлени",)
+# Ширина окна контекста. OCR перемешивает колонки таблицы, и между словами
+# «Постановление Администрации города» и «от DD.MM.YYYY» вклинивается текст
+# соседней колонки («…Администрации города документами) Екатеринбурга от
+# 19.04.2019…»), поэтому окно шире самой фразы (~50 символов). Откалибровано
+# на пяти прод-документах land_reservation: 80, 120 и 160 дают одинаковые
+# 5 из 5, выбрана середина.
+_ACT_CONTEXT_WINDOW = 120
+
 # Паттерн цели: «в целях…», «для …», «под строительство …» — best-effort.
 _RE_PURPOSE = re.compile(
     r"(?:для|в целях?|под)\s+([^.;,\n]{10,120})",
@@ -207,7 +234,9 @@ def extract_izyatie_records(
 
     # Реквизиты акта из заголовка или текста.
     act_number = _extract_act_number(doc_title) or _extract_act_number(normalized)
-    act_date = _extract_act_date(doc_title) or _extract_act_date(normalized)
+    act_date = _extract_act_date(doc_title) or _extract_act_date(
+        normalized, require_act_context=True
+    )
     purpose = _extract_purpose(doc_title) or _extract_purpose(normalized)
 
     # Поиск кад-номеров.
@@ -268,19 +297,35 @@ def _extract_act_number(text: str) -> str | None:
     return re.sub(r"\s+", "", m.group(1))
 
 
-def _extract_act_date(text: str) -> str | None:
-    """Извлекает дату акта «от DD.MM.YYYY» → строка «YYYY-MM-DD» для SQL DATE."""
-    m = _RE_ACT_DATE.search(text)
-    if not m:
-        return None
-    day, month, year = m.group(1), m.group(2), m.group(3)
-    try:
-        # Валидируем диапазоны.
-        d, mo, y = int(day), int(month), int(year)
+def _act_context_matches(text: str, pos: int) -> bool:
+    """Стоит ли перед датой упоминание постановления — акта-основания."""
+    ctx = text[max(0, pos - _ACT_CONTEXT_WINDOW) : pos].lower()
+    return all(word in ctx for word in _ACT_CONTEXT_WORDS)
+
+
+def _extract_act_date(text: str, *, require_act_context: bool = False) -> str | None:
+    """Извлекает дату акта «от DD.MM.YYYY» → строка «YYYY-MM-DD» для SQL DATE.
+
+    require_act_context=True — брать только дату, перед которой стоит
+    упоминание постановления (#2464). Нужен для ТЕЛА
+    документа, где первой датой почти всегда идёт ссылка на Генплан-2004.
+    Для заголовка не нужен: там ссылок на посторонние акты нет.
+
+    Если подходящей даты нет, возвращается None. Это сознательно: отсутствие
+    даты честнее, чем дата чужого документа — по ней нельзя ни отфильтровать
+    актуальные изъятия, ни сверить срок.
+    """
+    for m in _RE_ACT_DATE.finditer(text):
+        if require_act_context and not _act_context_matches(text, m.start()):
+            continue
+        day, month, year = m.group(1), m.group(2), m.group(3)
+        try:
+            # Валидируем диапазоны.
+            d, mo, y = int(day), int(month), int(year)
+        except ValueError:
+            continue
         if 1 <= d <= 31 and 1 <= mo <= 12 and 2000 <= y <= 2100:
             return f"{y:04d}-{mo:02d}-{d:02d}"
-    except ValueError:
-        pass
     return None
 
 

backend/tests/services/scrapers/test_2464_act_date_citation.py

@@ -0,0 +1,149 @@
+"""act_date — дата акта об изъятии, а не первой попавшейся ссылки (#2464).
+
+`_extract_act_date` брал ПЕРВОЕ «от DD.MM.YYYY» во всём OCR-тексте. «Сообщение о
+планируемом изъятии» открывается списком оснований, и первой строкой там почти
+всегда стоит
+
+    «Решение Екатеринбургской городской Думы от 06.07.2004 № 60/1
+     «Об утверждении Генерального плана города»»
+
+— то есть Генплан, а не акт об изъятии. На проде это дало 11 строк из 27
+(два РАЗНЫХ документа: развязка на Сибирском тракте и улица Энергостроителей)
+с одной датой 2004-07-06 при проектах 2020 и 2022 годов.
+
+Проверено не по догадке: все пять исходных PDF были загружены и распознаны тем
+же трактом, что использует загрузчик (`ocr_pdf_text` в прод-контейнере). Тексты
+цитат ниже — дословно оттуда, включая перемешивание колонок OCR'ом.
+
+Правило («постановлени» в 120 символах перед датой) откалибровано на всех пяти
+документах сразу, а не на одном: окна 80/120/160 дают одинаковые 5 из 5.
+Более узкий вариант (плюс «администраци») давал те же 5 из 5, но ломал законный
+случай «Постановление № 509-ПП» — областной акт без слова «администрация»,
+уже закреплённый тестом test_act_date_extracted_from_text. Взято широкое условие.
+
+Патченный код прогнан по всем пяти распознанным текстам целиком: 27 записей —
+ровно столько же, сколько строк в land_reservation, из них 11 меняют дату
+2004-07-06 на настоящую, 16 остаются прежними.
+"""
+
+from __future__ import annotations
+
+from app.services.scrapers.izyatie_ocr import _extract_act_date, extract_izyatie_records
+
+# Заголовок раздела — дословно с прода (basis_act в land_reservation).
+ЗАГОЛОВОК = (
+    "Сообщение о планируемом изъятии земельных участков и объектов недвижимого "
+    "имущества для муниципальных нужд"
+)
+КАД = "66:41:0303004:22"
+
+
+def _дата_записи(текст_документа: str) -> str | None:
+    """act_date так, как её увидит land_reservation — через сквозной путь.
+
+    Зовём `extract_izyatie_records`, а не приватный хелпер: его сигнатура
+    одинакова на обеих сторонах, поэтому против origin/main тест краснеет
+    НЕВЕРНЫМ ЗНАЧЕНИЕМ (дата Генплана), а не TypeError из-за нового параметра.
+    """
+    записи = extract_izyatie_records(f"{текст_документа}\n{КАД}", ЗАГОЛОВОК, "http://x/y")
+    assert записи, "кад-номер не разобран — тест смотрел бы не туда"
+    return записи[0]["act_date"]
+
+
+# ── Дословные фрагменты OCR прод-документов ───────────────────────────────────
+
+# 89adb28a… — развязка Базовый/Комсомольская/Сибирский тракт. На проде дал 2004-07-06.
+ДОК_РАЗВЯЗКА = (
+    "Администрация города Екатеринбурга\n\n"
+    "— Решение Екатеринбургской городской Думы от\n06.07.2004 № 60/1 «Об утверждении\n"
+    "Генерального плана развития городского округа»;\n\n"
+    "— Приказ Министерства строительства и развития\nинфраструктуры Свердловской области от\n"
+    "30.12.2021 № 746-П;\n\n"
+    "— Постановление Администрации города\nЕкатеринбурга от 27.05.2022 № 1413\n"
+    "«Об утверждении проекта планировки и проекта межевания территории»"
+)
+
+# 9b9d9a99… — улица Энергостроителей. На проде тоже дал 2004-07-06.
+ДОК_ЭНЕРГОСТРОИТЕЛЕЙ = (
+    "Администрация города Екатеринбурга\n\n"
+    "— Решение Екатеринбургской городской Думы от\n06.07.2004 № 60/1 «Об утверждении\n"
+    "Генерального плана развития городского округа»;\n\n"
+    "— Приказ Министерства строительства и развития\nинфраструктуры Свердловской области от\n"
+    "30.12.2021 № 746-П «О внесении изменений в Генеральный план на период до 2025 года»;\n\n"
+    "— Постановление Администрации города\nЕкатеринбурга от 12.02.2020 № 259 «Об утверждении\n"
+    "проекта планировки и проекта межевания территории»"
+)
+
+# bf2bb1bd… — OCR перемешал колонки таблицы: слова фразы идут вперемешку.
+ДОК_ПЕРЕМЕШАННЫЙ = (
+    "Постановление Администрации города утверждении проекта планировки\n"
+    "Екатеринбурга от 29.09.2015 № 2687 территории и проекта межевания\n"
+    "«Об утверждении» (в ред. Постановления Администрации города\n"
+    "Екатеринбурга от 14.07.2022 № 1995)"
+)
+
+# ccd00215… — то же перемешивание, но короче.
+ДОК_ПЕРЕМЕШАННЫЙ_2 = (
+    "Реквизиты документов (при наличии таких Постановление Администрации города\n"
+    "документами) Екатеринбурга от 19.04.2019 № 863 «Об\nутверждении проекта межевания территории»"
+)
+
+# 188a5c36… — первой же датой идёт нужное постановление.
+ДОК_ПРЯМОЙ = (
+    "Реквизиты документов (при наличии таких документами)\n"
+    "Постановление Администрации города Екатеринбурга от 24.06.2019 № 1504\n"
+    "«Об утверждении проекта планировки и проекта межевания территории»"
+)
+
+
+def test_genplan_citation_is_not_taken_as_act_date() -> None:
+    """Головной: дата Генплана-2004 не должна становиться датой изъятия.
+
+    На origin/main возвращается '2004-07-06' — дата чужого документа,
+    на 18 лет раньше настоящего основания.
+    """
+    got = _дата_записи(ДОК_РАЗВЯЗКА)
+    assert got != "2004-07-06", "взята дата Решения Думы об утверждении Генерального плана"
+    assert got == "2022-05-27", f"ожидали дату постановления № 1413, получили {got!r}"
+
+
+def test_second_document_with_same_genplan_citation() -> None:
+    """Тот же дефект во втором документе — он и дал одинаковую дату у 11 строк."""
+    got = _дата_записи(ДОК_ЭНЕРГОСТРОИТЕЛЕЙ)
+    assert got == "2020-02-12", f"ожидали дату постановления № 259, получили {got!r}"
+
+
+def test_ministry_order_is_not_taken_either() -> None:
+    """Контроль: приказ Министерства между Генпланом и постановлением тоже не берётся."""
+    got = _дата_записи(ДОК_РАЗВЯЗКА)
+    assert got != "2021-12-30", "взята дата приказа Министерства строительства"
+
+
+def test_ocr_column_scramble_still_resolves() -> None:
+    """Контроль ширины окна: перемешанные OCR'ом колонки не должны ломать разбор.
+
+    Окно шире самой фразы (~50 символов) именно ради этих двух документов:
+    между «Постановление» и «от DD.MM.YYYY» вклинивается текст соседней колонки.
+    """
+    assert _дата_записи(ДОК_ПЕРЕМЕШАННЫЙ) == "2015-09-29"
+    assert _дата_записи(ДОК_ПЕРЕМЕШАННЫЙ_2) == "2019-04-19"
+
+
+def test_correct_documents_unchanged() -> None:
+    """Контроль от переусердствования: там, где на проде было верно, ничего не меняется."""
+    assert _дата_записи(ДОК_ПРЯМОЙ) == "2019-06-24"
+
+
+def test_no_act_citation_gives_none_not_a_wrong_date() -> None:
+    """Контроль: без основания — None, а не дата постороннего документа.
+
+    Отсутствие даты честнее: по чужой дате нельзя ни отфильтровать актуальные
+    изъятия, ни сверить срок, и она неотличима от настоящей.
+    """
+    текст = "Решение Екатеринбургской городской Думы от 06.07.2004 № 60/1 «Об утверждении»"
+    assert _дата_записи(текст) is None
+
+
+def test_title_path_does_not_require_context() -> None:
+    """Контроль: у заголовка ссылок на чужие акты нет, там правило не применяется."""
+    assert _extract_act_date("Постановление от 27.05.2022 № 1413") == "2022-05-27"