fix(tradein/estimator): дом «2» вместо «15» при глухом названии станции метро в avito-адресе (#2429)

tradein-mvp/backend/app/services/estimator.py

@@ -4954,8 +4954,19 @@ _DEDUP_MKR_SUFFIX_RE = re.compile(
 # Номер дома = первое число ПОСЛЕ названия улицы (опц. «д.»/«дом»), с литерой/
 # корпусом («46», «8а», «12/3»). Ищется в остатке строки от конца street-матча —
 # ведущая цифра нумерованной улицы («8 Марта») сюда не попадает.
+# #2423: суффикс-буква («46г», «8а») засчитывается только если ЗА НЕЙ не идёт
+# ЕЩЁ ОДИН word-символ (`(?!\w)` — буква ИЛИ цифра), т.е. только если это
+# последний word-символ токена. Иначе это не литера дома, а: (а) первая буква
+# приклеенного без пробела слова (название станции метро в avito:
+# «2Чкаловская11-15 мин» → дом «2», а не «15» из хвоста дистанции), либо
+# (б) буква корпуса, приклеенная без пробела к своей цифре («6к1» → дом «6»,
+# ту же цифру даёт и вариант с пробелом «6 к1» — иначе кросс-source guard
+# ошибочно видел бы «6к» vs «6» как разные дома и блокировал слияние).
+# Trailing `\b` намеренно убран: он ложно "отменял" весь матч цифры, когда
+# сразу за ней шло кириллическое слово без разделителя (Cyrillic letter и
+# digit — оба `\w`, между ними нет word-boundary).
 _DEDUP_HOUSE_NO_RE = re.compile(
-    r"\b(?:д(?:ом)?\.?\s*)?(\d+(?:[а-яё]|/\d+)?)\b",
+    r"\b(?:д(?:ом)?\.?\s*)?(\d+(?:[а-яё](?!\w)|/\d+)?)",
     flags=re.IGNORECASE,
 )
 # Слова-маркеры дома, которые могли попасть в захват названия (напр. «ленина д 5»).

tradein-mvp/backend/tests/test_estimator_dedup_cross_source_2087.py

@@ -411,7 +411,12 @@ def test_dedup_empty_cadnum_and_street_stay_separate(monkeypatch: pytest.MonkeyP
     [
         # --- контрольные (существующая ветка «тип ПЕРЕД именем») — БАЙТ-В-БАЙТ
         # тот же токен, что дают новые ветки, иначе клейка развалится.
-        ("улица Рассветная, 6к1", ("рассветная", "")),  # cian-стиль, house не извлекается
+        # #2423: «6к1» (cian-стиль, литера корпуса приклеена без пробела к
+        # цифре) теперь даёт house="6", а не "" — та же цифра, что и у
+        # пробельного «6 к1» ниже (домклик-стиль), т.е. извлечение стало
+        # согласованным между форматами (было: полный отказ матча из-за
+        # word-boundary collapse между цифрой и кириллической буквой).
+        ("улица Рассветная, 6к1", ("рассветная", "6")),
         ("ул. Белинского 86", ("белинского", "86")),
         ("улица 8 Марта, 46", ("8 марта", "46")),  # нумерованная, ведущая цифра в токене
         # --- (а) имя ПЕРЕД типом (формат domklik)
@@ -420,7 +425,8 @@ def test_dedup_empty_cadnum_and_street_stay_separate(monkeypatch: pytest.MonkeyP
         ("Красных Командиров улица, 10", ("красных командиров", "10")),
         ("8 Марта улица, 46", ("8 марта", "46")),  # нумерованная, имя-перед-типом
         # --- (б) тип-суффикс приклеен запятой/точкой без пробела (avito)
-        ("Рассветная ул.,6к1", ("рассветная", "")),
+        # #2423: аналогично, house="6" вместо "" (см. комментарий выше).
+        ("Рассветная ул.,6к1", ("рассветная", "6")),
         ("Белинского ул., 86", ("белинского", "86")),
         # --- (в) fallback без уличного типа — микрорайон, префикс «mkr »
         ("Екатеринбург, Светлый микрорайон, 10", ("mkr светлый", "10")),
@@ -637,3 +643,142 @@ def test_dedup_collapses_yo_ye_variant(monkeypatch: pytest.MonkeyPatch) -> None:
     ]
     out = estimator._dedup_cross_source(lots)
     assert len(out) == 1
+
+
+# --------------------------------------------------------------------------- #
+# #2423 avito glued-metro-name house-number extraction
+# --------------------------------------------------------------------------- #
+
+
+def test_parse_street_house_avito_glued_metro_suffix() -> None:
+    # Root cause прод-кейса: станция метро приклеена к номеру дома без
+    # разделителя («2Чкаловская»). Trailing `\b` в старом regex ложно отменял
+    # матч цифры целиком (Cyrillic-буква и цифра — оба `\w`, границы нет), и
+    # .search() уезжал вправо до «11-15» (дистанция до метро), где дефис даёт
+    # настоящую границу → дом ошибочно распознавался как «15» вместо «2».
+    addr = "ул. Амундсена, 2Чкаловская11-15 мин. пешком"
+    assert estimator._parse_street_house(addr) == ("амундсена", "2")
+
+
+def test_parse_street_house_avito_glued_metro_hyphenated_name() -> None:
+    # Приклеенное название станции само содержит дефис — фикс не должен
+    # зависеть от того, есть ли внутри глухого слова дефис или нет.
+    addr = "ул. Космонавтов, 14Ботаническая-Уктус7-12 мин. пешком"
+    assert estimator._parse_street_house(addr) == ("космонавтов", "14")
+
+
+def test_parse_street_house_avito_glued_metro_short_name() -> None:
+    # Адверсариальный минимум: приклеенное слово всего 2 буквы — lookahead
+    # должен отклонить суффикс-букву даже на короткой глухой строке, не
+    # только на длинных названиях станций.
+    addr = "ул. Мира, 9ВЗ5-8 мин. пешком"
+    assert estimator._parse_street_house(addr) == ("мира", "9")
+
+
+@pytest.mark.parametrize(
+    ("house_part", "expected_house"),
+    [
+        ("24г", "24г"),
+        ("32а", "32а"),
+        ("5б", "5б"),
+    ],
+)
+def test_parse_street_house_letter_suffix_not_regressed(
+    house_part: str, expected_house: str
+) -> None:
+    # Настоящая литера дома (не продолжается ещё одной кириллической буквой,
+    # т.е. это последний word-символ токена) — поведение не должно измениться.
+    addr = f"ул. Ленина, {house_part}"
+    assert estimator._parse_street_house(addr) == ("ленина", expected_house)
+
+
+def test_parse_street_house_corpus_slash_not_regressed() -> None:
+    # «12/3» (корпус через слэш) — вторая альтернатива (`/\d+`) не тронута фиксом.
+    assert estimator._parse_street_house("ул. Ленина, 12/3") == ("ленина", "12/3")
+
+
+def test_parse_street_house_glued_corpus_letter_partial_capture() -> None:
+    # #2423: «10к1» без пробела перед литерой корпуса — литера «к» отклоняется
+    # как суффикс, т.к. за ней идёт ЕЩЁ ОДИН word-символ (цифра «1» корпуса),
+    # `(?!\w)` (не только `(?![а-яё])` из первоначального черновика фикса)
+    # отсекает и этот случай. Даёт «10» — тот же номер дома, что и у
+    # пробельного варианта «10 к1» (см. регрессию ниже) → house-guard видит
+    # одинаковый номер дома в обоих написаниях, кросс-source merge не ломается.
+    # ВАЖНО: черновой вариант фикса с `(?![а-яё])` (отклонять суффикс только
+    # если за ним ЕЩЁ ОДНА БУКВА) давал «10к» здесь — рассинхронизация с
+    # пробельным вариантом «6 к1» → «6» сломала 2 существующих e2e-теста
+    # (test_dedup_collapses_domklik_cian_name_order,
+    # test_dedup_collapses_domklik_cian_area_straddle), т.к. guard_house видел
+    # «6к» != «6» и блокировал слияние. Обнаружено прогоном полного набора
+    # тестов при реализации — `(?!\w)` устраняет регрессию.
+    assert estimator._parse_street_house("ул. Ленина, 10к1") == ("ленина", "10")
+
+
+def test_parse_street_house_ambiguous_glued_digit_runs_limitation() -> None:
+    # #2423 limitation: два приклеенных друг к другу чисто-числовых прогона
+    # без буквы/пунктуации между ними принципиально неразличимы регэкспом —
+    # какое число дом, а какое дистанция, знает только семантика. В реальных
+    # avito-адресах между домом и дистанцией всегда есть «мин»/имя станции
+    # (см. тесты выше), так что этот кейс не встречается в проде; закрепляем
+    # текущий (не «исправленный») результат, чтобы будущее изменение было
+    # осознанным видимым диффом, а не тихой регрессией.
+    assert estimator._parse_street_house("ул. Ленина, 7500 м до метро") == ("ленина", "7500")
+
+
+def test_dedup_collapses_avito_glued_metro_suffix_house_match(
+    monkeypatch: pytest.MonkeyPatch,
+) -> None:
+    # e2e: avito-лот с приклеенным названием станции (дом «2» до фикса терялся,
+    # извлекалось «15») + чистый cian-адрес того же дома «2» → house-guard
+    # больше не блокирует street-union (оба извлекают «2») → один физлот.
+    monkeypatch.setattr(estimator.settings, "estimate_dedup_analogs_enabled", True)
+    lots = [
+        _lot(
+            source="avito",
+            address="ул. Амундсена, 2Чкаловская11-15 мин. пешком",
+            area=45.0,
+            price=6_100_000,
+            floor=5,
+            cad=None,
+        ),
+        _lot(
+            source="cian",
+            address="ул. Амундсена, 2",
+            area=45.0,
+            price=6_100_000,
+            floor=5,
+            cad=None,
+        ),
+    ]
+    out = estimator._dedup_cross_source(lots)
+    assert len(out) == 1
+
+
+def test_dedup_glued_metro_noise_does_not_cause_over_merge(
+    monkeypatch: pytest.MonkeyPatch,
+) -> None:
+    # Анти-регрессия: фикс не должен сделать guard_house снисходительнее для
+    # адресов с глухим метро-шумом в общем случае — ДЕЙСТВИТЕЛЬНО разные дома
+    # («24» vs «26»), каждый одет в приклеенное название станции разной длины,
+    # ДОЛЖНЫ остаться раздельными (guard всё ещё блокирует both-present-different).
+    monkeypatch.setattr(estimator.settings, "estimate_dedup_analogs_enabled", True)
+    lots = [
+        _lot(
+            source="avito",
+            address="ул. Гагарина, 24Чкаловская5-8 мин. пешком",
+            area=45.0,
+            price=6_100_000,
+            floor=5,
+            cad=None,
+        ),
+        _lot(
+            source="cian",
+            address="ул. Гагарина, 26Ботаническая11-15 мин. пешком",
+            area=45.0,
+            price=6_100_000,
+            floor=5,
+            cad=None,
+        ),
+    ]
+    out = estimator._dedup_cross_source(lots)
+    assert len(out) == 2