v5.0.0: гибридные токены (Иванов_0001, ООО_Технология_0034), удалены generators/, checksum, random_utils

drhider/checksum.py

@@ -1,69 +0,0 @@
-"""
-Контрольные суммы для ИНН (10 и 12 знаков) и ОГРН.
-
-Используются генераторами фиктивных значений для создания
-синтаксически корректных номеров.
-"""
-
-
-def checksum_inn10(inn: str) -> str:
-    """Контрольная сумма для 10-значного ИНН (юридические лица).
-
-    Алгоритм:
-    1. Умножаем первые 9 цифр на коэффициенты [2,4,10,3,5,9,4,6,8]
-    2. Суммируем, берём (сумма % 11) % 10
-
-    Args:
-        inn: 9 цифр ИНН (без контрольной суммы)
-
-    Returns:
-        Одна цифра контрольной суммы
-    """
-    coeffs = [2, 4, 10, 3, 5, 9, 4, 6, 8]
-    s = sum(int(inn[i]) * coeffs[i] for i in range(9))
-    return str((s % 11) % 10)
-
-
-def checksum_inn12(inn: str) -> str:
-    """Контрольные суммы для 12-значного ИНН (физические лица).
-
-    Алгоритм (две контрольные цифры):
-    1. n1: умножаем первые 10 цифр на [7,2,4,10,3,5,9,4,6,8],
-       берём (сумма % 11) % 10
-    2. n2: добавляем n1 к числу, умножаем 11 цифр на
-       [3,7,2,4,10,3,5,9,4,6,8], берём (сумма % 11) % 10
-
-    Args:
-        inn: 10 цифр ИНН (без контрольных сумм)
-
-    Returns:
-        Две цифры контрольных сумм (n1 + n2)
-    """
-    c1 = [7, 2, 4, 10, 3, 5, 9, 4, 6, 8]
-    c2 = [3, 7, 2, 4, 10, 3, 5, 9, 4, 6, 8]
-
-    # Первая контрольная цифра
-    s1 = sum(int(inn[i]) * c1[i] for i in range(10))
-    n1 = (s1 % 11) % 10
-
-    # Вторая контрольная цифра (с учётом первой)
-    inn2 = inn + str(n1)
-    s2 = sum(int(inn2[i]) * c2[i] for i in range(11))
-    n2 = (s2 % 11) % 10
-
-    return str(n1) + str(n2)
-
-
-def checksum_ogrn(ogrn: str) -> str:
-    """Контрольная сумма для ОГРН (13 знаков).
-
-    Алгоритм: первые 12 цифр как число % 11, затем % 10.
-
-    Args:
-        ogrn: 12 цифр ОГРН (без контрольной суммы)
-
-    Returns:
-        Одна цифра контрольной суммы
-    """
-    s = int(ogrn) % 11
-    return str(s % 10)

drhider/config.py

@@ -86,3 +86,31 @@ RU_STREETS = [
 
 # Фиктивные домены для генерации email
 FAKE_DOMAINS = ["example.ru", "mail.test", "company.local", "org.example.ru"]
+
+# ═══════════════════════════════════════════════════════════════════════════
+# Пулы для гибридных токенов (шаблон + номер)
+# ═══════════════════════════════════════════════════════════════════════════
+
+# Существительные для названий компаний (20)
+COMPANY_NOUNS = [
+    "Технология", "Прогресс", "Гарант", "Стандарт", "Импульс",
+    "Вектор", "Сфера", "Альянс", "Синтез", "Меридиан",
+    "Спектр", "Формат", "Модуль", "Ресурс", "Платформа",
+    "Система", "Комплекс", "Проект", "Решение", "Сервис",
+]
+
+# Города для адресов (20)
+CITY_POOL = [
+    "Москва", "Санкт-Петербург", "Новосибирск", "Екатеринбург",
+    "Казань", "Нижний_Новгород", "Челябинск", "Самара", "Омск",
+    "Ростов-на-Дону", "Уфа", "Красноярск", "Воронеж", "Пермь",
+    "Волгоград", "Краснодар", "Саратов", "Тюмень", "Иркутск", "Хабаровск",
+]
+
+# Улицы для адресов (20)
+STREET_POOL = [
+    "Ленина", "Мира", "Пушкина", "Гагарина", "Советская",
+    "Кирова", "Октябрьская", "Молодёжная", "Садовая", "Центральная",
+    "Школьная", "Лесная", "Полевая", "Строителей", "Набережная",
+    "Парковая", "Солнечная", "Зелёная", "Юбилейная", "Весенняя",
+]

drhider/generators/__init__.py

@@ -1,37 +0,0 @@
-"""
-Маппинг типов сущностей на генераторы фиктивных значений.
-
-ENTITY_GENERATORS используется в TwoPassObfuscator._scan_regex()
-для автоматического выбора генератора по типу найденной сущности.
-"""
-
-from .phone import generate_phone
-from .email import generate_email
-from .inn import generate_inn10, generate_inn12
-from .ogrn import generate_ogrn
-from .kpp import generate_kpp
-from .bik import generate_bik
-from .accounts import generate_rs, generate_ks
-from .passport import generate_passport
-from .fallback import generate_fallback
-
-# ═══════════════════════════════════════════════════════════════════════════
-# Маппинг: entity_type → функция-генератор
-# Ключи соответствуют ключам в config.ENTITY_PATTERNS
-# ═══════════════════════════════════════════════════════════════════════════
-
-ENTITY_GENERATORS = {
-    "phone": generate_phone,
-    "email": generate_email,
-    "inn_ul": generate_inn10,    # 10-значный ИНН → юрлица
-    "inn_fl": generate_inn12,    # 12-значный ИНН → физлица
-    "ogrn": generate_ogrn,
-    "kpp": generate_kpp,
-    "bik": generate_bik,
-    "rs": generate_rs,           # расчётный счёт
-    "ks": generate_ks,           # корреспондентский счёт
-    "passport": generate_passport,
-}
-
-# Fallback-генератор — экспортируется отдельно для использования в scanner/obfuscator
-FALLBACK_GENERATOR = generate_fallback

drhider/generators/accounts.py

@@ -1,49 +0,0 @@
-"""
-Генераторы фиктивных банковских счетов.
-
-- generate_rs: расчётный счёт (20 знаков)
-- generate_ks: корреспондентский счёт (20 знаков)
-
-Счета начинаются с реальных префиксов: 40702 (расчётный), 30101 (корреспондентский).
-"""
-
-import re
-from ..random_utils import random_digits
-
-
-def generate_rs(original: str) -> str:
-    """Сгенерировать фиктивный 20-значный расчётный счёт.
-
-    Сохраняет оригинальный префикс (р/с, расчётный счёт и т.д.).
-    Начинается с 40702 (реальный префикс расчётного счёта).
-
-    Args:
-        original: Оригинальная строка с расчётным счётом
-
-    Returns:
-        Строка вида «р/с 40702XXXXXXXXXXXXXXX»
-    """
-    m = re.match(r'(?:р/с|расч[её]тный\s*сч[её]т)\s*', original, re.IGNORECASE)
-    prefix = m.group(0) if m else ""
-    return prefix + "40702" + random_digits(15)
-
-
-def generate_ks(original: str) -> str:
-    """Сгенерировать фиктивный 20-значный корреспондентский счёт.
-
-    Сохраняет оригинальный префикс (к/с, кор/счёт и т.д.).
-    Начинается с 30101 (реальный префикс корр. счёта).
-
-    Args:
-        original: Оригинальная строка с корр. счётом
-
-    Returns:
-        Строка вида «к/с 30101XXXXXXXXXXXXXXX»
-    """
-    m = re.match(
-        r'(?:к/с|кор/сч|корр?[еи]?спондентский\s*сч[её]т)\s*',
-        original,
-        re.IGNORECASE,
-    )
-    prefix = m.group(0) if m else ""
-    return prefix + "30101" + random_digits(15)

drhider/generators/address.py

@@ -1,25 +0,0 @@
-"""
-Генератор фиктивных почтовых адресов.
-
-Формат: Город, ул. Улица, д. Номер
-"""
-
-import random
-from ..config import RU_CITIES, RU_STREETS
-
-
-def generate_address(_: str) -> str:
-    """Сгенерировать фиктивный почтовый адрес.
-
-    Выбирает случайный город, улицу и номер дома из словарей.
-
-    Args:
-        _: Оригинальный адрес (игнорируется)
-
-    Returns:
-        Строка вида «Москва, ул. Ленина, д. 42»
-    """
-    city = random.choice(RU_CITIES)
-    street = random.choice(RU_STREETS)
-    house = random.randint(1, 200)
-    return f"{city}, ул. {street}, д. {house}"

drhider/generators/bik.py

@@ -1,26 +0,0 @@
-"""
-Генератор фиктивного БИК (9 знаков).
-
-Формат: «БИК » + 9 цифр.
-Первые 2 цифры — 04 (код РФ).
-"""
-
-import re
-from ..random_utils import random_digits
-
-
-def generate_bik(original: str) -> str:
-    """Сгенерировать фиктивный 9-значный БИК.
-
-    Сохраняет оригинальный префикс (например, «БИК »).
-    Начинается с 04 (код Российской Федерации).
-
-    Args:
-        original: Оригинальная строка с БИК
-
-    Returns:
-        Строка вида «БИК 04XXXXXXX»
-    """
-    m = re.match(r'БИК\s*', original, re.IGNORECASE)
-    prefix = m.group(0) if m else ""
-    return prefix + "04" + random_digits(7)

drhider/generators/company.py

@@ -1,27 +0,0 @@
-"""
-Генератор фиктивных названий компаний.
-
-Формат: ООО/ЗАО/АО «СлучайноеСуществительное»
-"""
-
-import random
-
-
-def generate_company(_: str) -> str:
-    """Сгенерировать фиктивное название компании.
-
-    Выбирает случайную организационно-правовую форму (ООО, ЗАО, АО)
-    и случайное существительное из словаря.
-
-    Args:
-        _: Оригинальное название (игнорируется)
-
-    Returns:
-        Строка вида «ООО «Технология»»
-    """
-    forms = ["ООО", "ЗАО", "АО"]
-    nouns = [
-        "Технология", "Прогресс", "Гарант", "Стандарт", "Импульс",
-        "Вектор", "Сфера", "Альянс", "Синтез", "Меридиан", "Спектр", "Формат",
-    ]
-    return f'{random.choice(forms)} «{random.choice(nouns)}»'

drhider/generators/email.py

@@ -1,23 +0,0 @@
-"""
-Генератор фиктивного email-адреса.
-
-Сохраняет структуру оригинального email: локальная_часть@домен.
-"""
-
-import random
-from ..config import FAKE_DOMAINS
-from ..random_utils import random_letters
-
-
-def generate_email(original: str) -> str:
-    """Сгенерировать фиктивный email с тем же форматом.
-
-    Args:
-        original: Оригинальный email (для сохранения структуры, не используется)
-
-    Returns:
-        Фиктивный email вида случайные_буквы@фиктивный_домен
-    """
-    domain = random.choice(FAKE_DOMAINS)
-    local = random_letters(random.randint(5, 10))
-    return f"{local}@{domain}"

drhider/generators/fallback.py

@@ -1,64 +0,0 @@
-"""
-Fallback-генератор фиктивных значений для неизвестных типов сущностей.
-
-Используется когда LLM находит сущность с типом, которого нет
-в специализированных генераторах (например, "contract_number", "employee_id").
-
-Принцип: character-class preserving замена.
-- Цифры → случайные цифры
-- Буквы → случайные буквы (того же алфавита)
-- Пробелы/знаки препинания → сохраняются
-- Длина строки сохраняется
-"""
-
-import random
-import string
-
-
-def generate_fallback(original: str) -> str:
-    """Сгенерировать фиктивное значение, сохраняя структуру оригинала.
-
-    Правила замены:
-    - [0-9] → случайная цифра
-    - [A-Za-z] → случайная буква того же регистра
-    - [А-Яа-я] → случайная кириллическая буква того же регистра
-    - Все остальные символы (пробелы, дефисы, спецсимволы) → без изменений
-
-    Args:
-        original: Оригинальное значение сущности
-
-    Returns:
-        Фиктивное значение той же длины и структуры
-
-    Example:
-        "Договор №123/2024" → "Фтщшлпь №847/5921"
-        "EMP-0042" → "XQJ-8193"
-    """
-    result = []
-
-    for ch in original:
-        if ch.isdigit():
-            # Цифра → случайная цифра
-            result.append(random.choice(string.digits))
-
-        elif 'A' <= ch <= 'Z':
-            # Заглавная латиница → случайная заглавная латиница
-            result.append(random.choice(string.ascii_uppercase))
-
-        elif 'a' <= ch <= 'z':
-            # Строчная латиница → случайная строчная латиница
-            result.append(random.choice(string.ascii_lowercase))
-
-        elif 'А' <= ch <= 'Я':
-            # Заглавная кириллица → случайная заглавная кириллица
-            result.append(chr(random.randint(0x0410, 0x042F)))
-
-        elif 'а' <= ch <= 'я' or ch == 'ё':
-            # Строчная кириллица → случайная строчная кириллица
-            result.append(chr(random.randint(0x0430, 0x044F)))
-
-        else:
-            # Всё остальное (пробелы, дефисы, слэши, точки) → сохранить
-            result.append(ch)
-
-    return ''.join(result)

drhider/generators/inn.py

@@ -1,47 +0,0 @@
-"""
-Генераторы фиктивных ИНН.
-
-- generate_inn10: 10-значный ИНН (юридические лица)
-- generate_inn12: 12-значный ИНН (физические лица)
-
-Оба сохраняют префикс «ИНН » и генерируют корректную контрольную сумму.
-"""
-
-import random
-import re
-from ..random_utils import random_digits
-from ..checksum import checksum_inn10, checksum_inn12
-
-
-def generate_inn10(original: str) -> str:
-    """Сгенерировать фиктивный 10-значный ИНН (для юридических лиц).
-
-    Сохраняет оригинальный префикс (например, «ИНН »).
-
-    Args:
-        original: Оригинальная строка с ИНН
-
-    Returns:
-        Строка вида «ИНН XXXXXXXXX-C» с корректной контрольной суммой
-    """
-    m = re.match(r'ИНН\s*', original, re.IGNORECASE)
-    prefix = m.group(0) if m else ""
-    base = f"{random.randint(1,9)}{random_digits(8)}"
-    return prefix + base + checksum_inn10(base)
-
-
-def generate_inn12(original: str) -> str:
-    """Сгенерировать фиктивный 12-значный ИНН (для физических лиц).
-
-    Сохраняет оригинальный префикс (например, «ИНН »).
-
-    Args:
-        original: Оригинальная строка с ИНН
-
-    Returns:
-        Строка вида «ИНН XXXXXXXXXX-CC» с двумя корректными контрольными суммами
-    """
-    m = re.match(r'ИНН\s*', original, re.IGNORECASE)
-    prefix = m.group(0) if m else ""
-    base = f"{random.randint(1,9)}{random_digits(9)}"
-    return prefix + base + checksum_inn12(base)

drhider/generators/kpp.py

@@ -1,27 +0,0 @@
-"""
-Генератор фиктивного КПП (9 знаков).
-
-Формат: «КПП » + 9 цифр.
-Последние 3 цифры — код причины постановки (01, 43 или 77).
-"""
-
-import random
-import re
-from ..random_utils import random_digits
-
-
-def generate_kpp(original: str) -> str:
-    """Сгенерировать фиктивный 9-значный КПП.
-
-    Сохраняет оригинальный префикс (например, «КПП »).
-    Последние 3 цифры — один из реальных кодов причины постановки.
-
-    Args:
-        original: Оригинальная строка с КПП
-
-    Returns:
-        Строка вида «КПП XXXX-код-XXX»
-    """
-    m = re.match(r'КПП\s*', original, re.IGNORECASE)
-    prefix = m.group(0) if m else ""
-    return prefix + random_digits(4) + random.choice(["01", "43", "77"]) + random_digits(3)

drhider/generators/ogrn.py

@@ -1,27 +0,0 @@
-"""
-Генератор фиктивного ОГРН (13 знаков).
-
-Формат: «ОГРН » + 13 цифр с корректной контрольной суммой.
-"""
-
-import re
-from ..random_utils import random_digits
-from ..checksum import checksum_ogrn
-
-
-def generate_ogrn(original: str) -> str:
-    """Сгенерировать фиктивный 13-значный ОГРН.
-
-    Сохраняет оригинальный префикс (например, «ОГРН »).
-    Первая цифра всегда 1 (признак юридического лица).
-
-    Args:
-        original: Оригинальная строка с ОГРН
-
-    Returns:
-        Строка вида «ОГРН 1XXXXXXXXXXX-C» с корректной контрольной суммой
-    """
-    m = re.match(r'ОГРН\s*', original, re.IGNORECASE)
-    prefix = m.group(0) if m else ""
-    base = "1" + random_digits(11)
-    return prefix + base + checksum_ogrn(base)

drhider/generators/passport.py

@@ -1,26 +0,0 @@
-"""
-Генератор фиктивных паспортных данных.
-
-Формат: «паспорт » / «серия номер » + XX XX XXXXXX
-"""
-
-import random
-import re
-from ..random_utils import random_digits
-
-
-def generate_passport(original: str) -> str:
-    """Сгенерировать фиктивные паспортные данные.
-
-    Сохраняет оригинальный префикс (паспорт, серия номер и т.д.).
-    Формат: 2 цифры серии + 2 цифры + 6 цифр номера.
-
-    Args:
-        original: Оригинальная строка с паспортными данными
-
-    Returns:
-        Строка вида «паспорт XX XX XXXXXX»
-    """
-    m = re.match(r'(?:паспорт|серия\s+номер)[\s:№]*', original, re.IGNORECASE)
-    prefix = m.group(0) if m else ""
-    return prefix + f"{random.randint(10, 99)} {random.randint(10, 99)} {random_digits(6)}"

drhider/generators/person.py

@@ -1,26 +0,0 @@
-"""
-Генератор фиктивных ФИО.
-
-Формат: Фамилия И.О. (фамилия полностью, имя и отчество — инициалы).
-"""
-
-import random
-from ..config import RU_SURNAMES, RU_NAMES, RU_PATRONYMICS
-
-
-def generate_person(_: str) -> str:
-    """Сгенерировать фиктивное ФИО в формате «Фамилия И.О.».
-
-    Выбирает случайные фамилию, имя и отчество из словарей.
-    Имя и отчество сокращаются до инициалов.
-
-    Args:
-        _: Оригинальное ФИО (игнорируется)
-
-    Returns:
-        Строка вида «Иванов А.И.»
-    """
-    s = random.choice(RU_SURNAMES)
-    n = random.choice(RU_NAMES)
-    p = random.choice(RU_PATRONYMICS)
-    return f"{s} {n[0]}.{p[0]}."

drhider/generators/phone.py

@@ -1,22 +0,0 @@
-"""
-Генератор фиктивного телефонного номера.
-
-Формат: +7 (код) XXX-XX-XX
-Код выбирается случайно из списка реальных российских кодов.
-"""
-
-import random
-from ..random_utils import random_digits
-
-
-def generate_phone(_: str) -> str:
-    """Сгенерировать фиктивный российский телефонный номер.
-
-    Args:
-        _: Оригинальный номер (игнорируется, нужен для единого интерфейса)
-
-    Returns:
-        Строка в формате +7 (XXX) XXX-XX-XX
-    """
-    code = random.choice(["495", "499", "812", "383", "343"])
-    return f"+7 ({code}) {random_digits(3)}-{random_digits(2)}-{random_digits(2)}"

drhider/obfuscator.py

@@ -44,6 +44,7 @@ class TwoPassObfuscator:
         """
         self._mapping: Dict[str, str] = {}
         self._sorted_keys: List[str] = []
+        self._counters: Dict[str, int] = {}  # Глобальные счётчики токенов
         self._llm_client = llm_client
 
     # ═══════════════════════════════════════════════════════════════════
@@ -79,11 +80,11 @@ class TwoPassObfuscator:
 
                 # Regex-сканирование (быстрое, локальное)
                 if text and not text.startswith("[DOC binary"):
-                    scanner.scan_regex(text, self._mapping)
+                    scanner.scan_regex(text, self._mapping, self._counters)
 
             # LLM-сканирование (получает уже найденное regex'ом чтобы не дублировать)
             if self._llm_client:
-                scanner.scan_llm_ner(all_texts, self._mapping, self._llm_client)
+                scanner.scan_llm_ner(all_texts, self._mapping, self._llm_client, self._counters)
 
             # Предсортировать ключи один раз (по убыванию длины)
             self._sorted_keys = sorted(
@@ -122,6 +123,7 @@ class TwoPassObfuscator:
             # Очистка состояния (обфускатор может использоваться повторно)
             self._mapping.clear()
             self._sorted_keys.clear()
+            self._counters.clear()
 
 
 # ═══════════════════════════════════════════════════════════════════════

drhider/random_utils.py

@@ -1,33 +0,0 @@
-"""
-Утилиты для генерации случайных строк.
-
-Используются генераторами фиктивных значений для создания
-случайных цифр и букв в номерах/реквизитах.
-"""
-
-import random
-import string
-
-
-def random_digits(n: int) -> str:
-    """Сгенерировать строку из n случайных цифр.
-
-    Args:
-        n: Количество цифр
-
-    Returns:
-        Строка из n случайных цифр (0-9)
-    """
-    return ''.join(random.choice(string.digits) for _ in range(n))
-
-
-def random_letters(n: int) -> str:
-    """Сгенерировать строку из n случайных строчных латинских букв.
-
-    Args:
-        n: Количество букв
-
-    Returns:
-        Строка из n случайных букв (a-z)
-    """
-    return ''.join(random.choice(string.ascii_lowercase) for _ in range(n))

drhider/scanner.py

@@ -5,90 +5,118 @@
 1. scan_regex — быстрое regex-обнаружение (телефоны, email, ИНН, счета, компании, ФИО)
 2. scan_llm_ner — универсальное LLM-обнаружение (любые приватные данные)
 
-LLM САМА определяет какие типы сущностей присутствуют в документе.
+Замена: гибридные токены — читаемый шаблон + уникальный номер.
-Никакого фиксированного списка типов.
+Пример: Иванов_0001, ООО_Технология_0034, ул_Ленина_0015
 """
 
 import re
 import json
+import random
 import logging
 from typing import Dict
 
-from .config import ENTITY_PATTERNS, COMPANY_PATTERN, PERSON_PATTERN
+from .config import (
-from .generators import ENTITY_GENERATORS, FALLBACK_GENERATOR
+    ENTITY_PATTERNS, COMPANY_PATTERN, PERSON_PATTERN,
-from .generators.company import generate_company
+    RU_SURNAMES, COMPANY_NOUNS, CITY_POOL, STREET_POOL,
-from .generators.person import generate_person
+)
 
 log = logging.getLogger("drhider")
 
 
-def _get_generator(entity_type: str):
+# ═══════════════════════════════════════════════════════════════════════════
-    """Получить генератор по типу сущности. Если тип неизвестен — fallback.
+# Гибридные токены: тип → (пул_шаблонов, префикс_для_счётчика)
+# ═══════════════════════════════════════════════════════════════════════════
+
+TYPE_POOLS = {
+    "person_name":  (RU_SURNAMES, "person"),
+    "person":       (RU_SURNAMES, "person"),
+    "company":      (COMPANY_NOUNS, "company"),
+    "phone":        (["+7_000_000"], "phone"),
+    "email":        (["email"], "email"),
+    "address":      (CITY_POOL, "address"),
+    "inn":          (["ИНН"], "inn"),
+    "inn_ul":       (["ИНН"], "inn"),
+    "inn_fl":       (["ИНН"], "inn"),
+    "kpp":          (["КПП"], "kpp"),
+    "ogrn":         (["ОГРН"], "ogrn"),
+    "bik":          (["БИК"], "bik"),
+    "passport":     (["Паспорт"], "passport"),
+    "bank_account": (["Счёт"], "bank"),
+    "rs":           (["РС"], "bank"),
+    "ks":           (["КС"], "bank"),
+    "contract_number": (["Договор"], "contract"),
+    "other_id":     (["ID"], "other"),
+}
+_FALLBACK_POOL = (["Данные"], "data")
+
+
+def _next_token(entity_type: str, counters: Dict[str, int]) -> str:
+    """Сгенерировать токен замены: случайный шаблон из пула + номер.
+
+    Одна и та же сущность в mapping получает один и тот же токен
+    (mapping dict гарантирует согласованность).
+    Разные сущности одного типа получают РАЗНЫЕ шаблоны из пула.
 
     Args:
-        entity_type: Строковый идентификатор типа (например, "phone", "person_name")
+        entity_type: Тип сущности (person_name, company, phone...)
+        counters: Глобальные счётчики {prefix_key: count}
 
     Returns:
-        Функция-генератор: (str) -> str
+        Строка вида "Иванов_0001", "ООО_Технология_0034", "[Адрес_0015]"
     """
-    return ENTITY_GENERATORS.get(entity_type, FALLBACK_GENERATOR)
+    pool, prefix_key = TYPE_POOLS.get(entity_type, _FALLBACK_POOL)
+    template = random.choice(pool)
+    key = f"{prefix_key}_{template}"
+    counters[key] = counters.get(key, 0) + 1
+    return f"{template}_{counters[key]:04d}"
+
+log = logging.getLogger("drhider")
 
 
-def scan_regex(text: str, mapping: Dict[str, str]) -> None:
+def scan_regex(text: str, mapping: Dict[str, str], counters: Dict[str, int]) -> None:
     """Сканировать текст regex-паттернами, заполнить словарь замен.
 
-    Ищет в тексте:
+    Замена: гибридные токены (шаблон + номер).
-    - Сущности из ENTITY_PATTERNS (телефоны, email, ИНН, ОГРН, КПП, БИК, счета, паспорта)
-    - Названия компаний (кроме «НУБЕС» — это Исполнитель, не заменяем)
-    - ФИО в формате «Фамилия И.О.»
-
-    Найденные значения добавляются в mapping: оригинал → фиктивное значение.
-    Если сущность уже есть в mapping — не перезаписываем (согласованность).
 
     Args:
         text: Текст документа для сканирования
         mapping: Словарь замен (мутабельный, пополняется)
+        counters: Глобальные счётчики токенов (мутабельный)
     """
-    # ── Сущности по regex-паттернам (телефоны, email, реквизиты) ──
+    # ── Сущности по regex-паттернам ──
     for entity_type, pattern in ENTITY_PATTERNS.items():
         for match in re.finditer(pattern, text, re.IGNORECASE | re.MULTILINE):
             original = match.group(0).strip()
             if not original or original in mapping:
                 continue
-
+            mapping[original] = _next_token(entity_type, counters)
-            # Генератор: специализированный (если есть) или fallback
-            generator = _get_generator(entity_type)
-            mapping[original] = generator(original)
 
     # ── Названия компаний ──
     for match in COMPANY_PATTERN.finditer(text):
         original = match.group(0).strip()
         if not original or original in mapping:
             continue
+        mapping[original] = _next_token("company", counters)
 
-        mapping[original] = generate_company(original)
+    # ── ФИО ──
-
-    # ── ФИО (Фамилия И.О.) ──
     for match in PERSON_PATTERN.finditer(text):
         original = match.group(0).strip()
         if not original or original in mapping:
             continue
-        mapping[original] = generate_person(original)
+        mapping[original] = _next_token("person_name", counters)
 
 
-def scan_llm_ner(all_texts: Dict[str, str], mapping: Dict[str, str], llm_client) -> None:
+def scan_llm_ner(all_texts: Dict[str, str], mapping: Dict[str, str],
-    """LLM NER для обнаружения имён, адресов, паспортных данных.
+                  llm_client, counters: Dict[str, int]) -> None:
+    """Универсальное LLM-обнаружение приватных данных.
 
-    Отправляет объединённый текст всех файлов в LLM, получает JSON-список
+    LLM САМА определяет типы. Замена — гибридные токены.
-    найденных сущностей, добавляет их в словарь замен.
-
-    Отправляются первые 3000 символов каждого файла (экономия токенов).
-    Общий размер промпта ограничен 8000 символами.
 
     Args:
         all_texts: {filename: text_content} — тексты всех файлов
         mapping: Словарь замен (мутабельный, пополняется)
         llm_client: Объект с методом .complete(prompt) -> str
+        counters: Глобальные счётчики токенов (мутабельный)
     """
     # Формируем комбинированный текст: имя файла + первые 3000 символов
     combined = "\n\n---FILE---\n\n".join(
@@ -100,28 +128,21 @@ def scan_llm_ner(all_texts: Dict[str, str], mapping: Dict[str, str], llm_client)
 
     prompt = (
         "You are a PII (Personally Identifiable Information) detector for Russian legal documents.\n\n"
-
+        "Find ALL sensitive or private information that is NOT already captured below.\n\n"
-        "STEP 1 — Identify the service provider:\n"
-        "Read the contract and find which company/person is labeled 'Исполнитель' "
-        "(the party providing services). "
-        "This party's own name is NOT PII — do NOT include it in results.\n\n"
-
-        "STEP 2 — Find all PII that is NOT already captured below.\n\n"
 
         "Already captured by regex (skip these exact strings):\n"
         f"{already_found}\n\n"
 
         "Return a JSON array. Each item must have:\n"
         '  - "type": MUST be one of: person_name, company, phone, email, address,\n'
-        '    inn, kpp, ogrn, bik, passport, contract_number, bank_account, other_id\n'
+        '    inn, kpp, ogrn, bik, passport, bank_account, contract_number, other_id\n'
         '    Use "other_id" only if nothing else fits. If unsure — do NOT include.\n'
         '  - "value": the EXACT string from the text (copy verbatim)\n\n'
 
-        "NOT PII — do NOT include these (legal roles and terms, not private data):\n"
+        "NOT PII — do NOT include these (legal terms, not private data):\n"
         "- Roles: Исполнитель, Заказчик, Стороны, Сторона, Покупатель, Поставщик\n"
-        "- Titles: Генеральный директор, Директор, Президент, действующего на основании\n"
+        "- Titles: Генеральный директор, Директор, действующего на основании\n"
-        "- Legal terms: Услуги, Договор, Приложение, Спецификация, НДС, Устава\n"
+        "- Legal terms: Услуги, Договор, Приложение, Спецификация, НДС, Устава\n\n"
-        "- The 'Исполнитель' company name identified in STEP 1\n\n"
 
         "Rules:\n"
         "- Copy value VERBATIM — same spaces, punctuation, case as in text\n"
@@ -152,10 +173,7 @@ def scan_llm_ner(all_texts: Dict[str, str], mapping: Dict[str, str], llm_client)
 
             # Тип — любой (LLM сама придумала)
             ent_type = ent.get("type", "").strip().lower().replace(" ", "_")
-
+            mapping[val] = _next_token(ent_type, counters)
-            # Генератор: специализированный (если тип совпал) или fallback
-            generator = _get_generator(ent_type)
-            mapping[val] = generator(val)
 
     except Exception as e:
         log.warning("LLM NER failed: %s", e)

site/app.py

@@ -20,7 +20,7 @@ if _sys_path_root not in sys.path:
     sys.path.insert(0, _sys_path_root)
 
 # Версия приложения (меняется при изменениях)
-VERSION = "4.0.2"
+VERSION = "5.0.0"
 
 
 def create_app():