-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathtb_parser.pl
executable file
·1559 lines (1268 loc) · 43 KB
/
tb_parser.pl
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
#!/usr/bin/perl
#
# Repair-Script
#
# <martin@berlin.ccc.de>
#
use strict;
use LineReader;
use ContinuationHandler;
use locale;
use POSIX 'locale_h';
use Data::Dumper;
my $locale = 'de_DE.ISO8859-15';
setlocale(LC_CTYPE, $locale) or die "Invalid locale $locale";
$| = 1;
### file sets
my $base_dir = '../telefon';
my $fileset_new = { flags => '01_Flags',
nachname => '02_Nachname',
vorname => '03_Vorname',
namenszusatz_addresszusatz => '04_05_Namenszusatz_Addresszusatz',
strassenindex_hausnummer => '07_08_Strassenindex_Hausnummer',
strasse => '07_Strasse',
detail => '09_Detail',
plz => '10_Postleitzahl',
ort => '11_Ort',
vorwahl => '12_Vorwahl',
rufnummer => '13_Rufnummer',
webadresse_email => '14_15_Email_Webadresse', # XXX genau verkehrt herum?
# strassenname => '99_Strassenname'
};
my $fileset_mid = { flags => '01_Flags',
nachname => '02_Nachname',
vorname => '03_Vorname',
namenszusatz => '04_Namenszusatz',
addresszusatz => '05_Adresszusatz',
ortszusatz => '06_Ortszusatz', # XXX
strasse => '07_Strasse',
hausnummer => '08_Hausnummer',
detail => '09_Detail',
plz => '10_Postleitzahl',
ort => '11_Ort',
vorwahl => '12_Vorwahl',
rufnummer => '13_Rufnummer',
email => '14_Email',
webadresse => '15_Webadresse',
# strassenname => '99_Strassenname'
};
my $fileset_old = { flags => '01_Flags',
nachname => '02_Nachname',
vorname => '03_Vorname',
namenszusatz => '04_Namenszusatz',
addresszusatz => '05_Adresszusatz',
ortszusatz => '06_Ortszusatz', # XXX
strasse => '07_Strasse',
hausnummer => '08_Hausnummer',
detail => '09_Verweise',
plz => '10_Postleitzahl',
ort => '11_Ort',
vorwahl => '12_Vorwahl',
rufnummer => '13_Rufnummer',
#email => '14_Email',
#webadresse => '15_Webadresse',
#strassenname => '99_Strassenname'
};
### which file and version bit set for which phone book version
my %pbook_version = ( '2007_Fruehjahr' => [$fileset_new, 17],
'2006_Herbst' => [$fileset_new, 16],
'2006_Fruehjahr' => [$fileset_new, 15],
'2005_Herbst' => [$fileset_new, 14], # -> 08_Hausnummer fehlt
'2005_Fruehjahr' => [$fileset_new, 13],
'2004_Herbst' => [$fileset_new, 12],
'2004_Fruehjahr' => [$fileset_new, 11],
'2003_Herbst' => [$fileset_mid, 10],
'2003_Fruehjahr' => [$fileset_mid, 9],
'2002_Herbst' => [$fileset_mid, 8],
'2002_Fruehjahr' => [$fileset_mid, 7],
'2001_Herbst' => [$fileset_mid, 6],
'2001_Fruehjahr' => [$fileset_mid, 5],
'2000_Herbst' => [$fileset_mid, 4],
'2000_Fruehjahr' => [$fileset_mid, 3],
'1999_Herbst' => [$fileset_mid, 2],
'1999_Fruehjahr' => [$fileset_old, 1],
'1998_Herbst' => [$fileset_old, 0]
);
### Sonstige Konstanten
my @service_prefix = ( '0900',
'09009',
'01888', # IVBB
'0180',
'0137' , # MABEZ, Gewinnsp. u. Televoting
'0138' , # T-VoteCall
'0800' , # freecall
'0700' , # Rufweiterleitung, "persoenliche Rnr"
'0190' , # premium rate, bis 31. dez. 2005
'0130' , #
'011',
'032' # voip
);
# + pager
my @mobile_prefix = sort {length($b) <=> length($a) } qw( 0161
0151
0160 0170 0171 0175
01520 01522 0162 0172 0173 0174 0152
01577 0163 0177 0178
0159 0176 0179
0157
0169 0168 0165 0166
);
my %mobile_prefix;
foreach my $prefix (@mobile_prefix) {
$mobile_prefix{$prefix} = 1;
}
my %service_prefix;
foreach my $prefix (@service_prefix) {
$service_prefix{$prefix} = 1;
}
### Vorwahlverzeichnis (VwV)
my %area_code_directory = ();
my $area_code_file = "vorwahlverzeichnis_2007.dat";
open(ACODE, "< $area_code_file") or die "can't open $area_code_file: $!\n";
while(<ACODE>) {
chomp;
if(m!^(\d+)\s+(.*)!) {
if(ref $area_code_directory{$1}) {
push @{$area_code_directory{$1}}, $2;
}
elsif(not exists $area_code_directory{$1}) {
$area_code_directory{$1} = [ $2 ];
}
}
}
close ACODE;
my @area_code_list = sort { length($b) <=> length($a) } (keys %area_code_directory);
### parameter
# Telefonbuchversion = s
# resume
# patchfile
# base_dir
my %log_msg = ( zip_code_in_city => 1,
service_prefix_with_tariff => 0,
prefix_in_number => 0,
display_vanity_numbers => 1,
display_uncertain_vanity_numbers => 1,
cleanup_prefix => 1,
cleanup_number => 1,
cleanup_post_code => 1,
cleanup_city_name => 1,
cleanup_web => 1,
cleanup_email => 1,
check_number => 1
);
### initialize the line reader
#my $pbook = '2007_Fruehjahr';
#my $pbook = '2006_Herbst';
#my $pbook = '2002_Fruehjahr';
my $pbook = shift;
my $mode = shift;
if(($pbook !~ m!^\d\d\d\d\_(Fruehjahr|Herbst)$!) or ($mode eq '')) {
print "perl tb_parser.pl <Version> <mode>\n";
exit 1;
}
my $lr = LineReader->new( $base_dir . '/' . $pbook, $pbook_version{$pbook}->[0]);
### line number handling for progress calclulation and for resuming aborted tasks
my $count = $lr->get_number_of_lines();
my $line = 0;
if(($mode eq 'check') and (-f ".current_line.$pbook")) {
$line = `cat .current_line.$pbook`;
chomp($line);
if($line) {
msg("skipping lines and start with line $line");
$lr->skip_lines($line);
}
}
# ------------------------------------------------------------------------------
# main loop
# ------------------------------------------------------------------------------
my $checks = 14;
my $debug_exit = 1;
# modes
my $correct_later = 1;
my $parse_only = 1;
my @lines_to_repair;
if($mode eq 'fixmelater') {
$correct_later = 1;
$parse_only = 1;
}
elsif($mode eq 'import') {
$correct_later = 0;
$parse_only = 0;
}
elsif($mode eq 'check') {
$correct_later = 0;
$parse_only = 1;
}
elsif($mode eq 'repair') {
$correct_later = 0;
$parse_only = 1;
@lines_to_repair = split(/\n/, `grep fixlater .${pbook}.patch | cut -f 1 -d ';' | sort -n | uniq`);
print Dumper(\@lines_to_repair);
if(not @lines_to_repair) {
msg("there is nothing to repair");
exit;
}
my $to_line = shift @lines_to_repair;
msg("skip [$to_line] lines");
$lr->skip_lines($to_line);
$line = $to_line;
}
else {
die "unknown command";
}
my $start_time = time();
my $prev_version_bit = 0;
my $cont = ContinuationHandler->new(my $prev_version_bit) if(not $parse_only);
while(defined(my $raw_line = $lr->get_line()) and $debug_exit) {
my $result = 0;
$raw_line->{version} = 1 << $pbook_version{$pbook}->[1];
my $recheck = 0;
while($result != $checks) {
$result = basic_fix( $raw_line, \&remove_spaces, 'remove_spaces', $recheck, $line, $pbook);
$result += basic_fix( $raw_line, \&expand_street_name, 'expand_street_name', $recheck, $line, $pbook, 'strasse');
$result += basic_fix( $raw_line, \&cleanup_prefix, 'cleanup_prefix', $recheck, $line, $pbook, 'vorwahl'); # check prefix before number
$result += basic_fix( $raw_line, \&cleanup_number, 'cleanup_number', $recheck, $line, $pbook, 'rufnummer');
$result += basic_fix( $raw_line, \&check_number, 'check_number', $recheck, $line, $pbook, 'rufnummer');
$result += basic_fix( $raw_line, \&check_constraints_number_length, 'check_constraints_number_length', $recheck, $line, $pbook, 'rufnummer');
$result += basic_fix( $raw_line, \&cleanup_post_code, 'cleanup_post_code', $recheck, $line, $pbook, 'plz');
$result += basic_fix( $raw_line, \&cleanup_city_name, 'cleanup_city_name', $recheck, $line, $pbook, 'ort');
$result += basic_fix( $raw_line, \&convert_flag, 'convert_flag', $recheck, $line, $pbook, 'ort'); # convert before constraint-check on name
$result += basic_fix( $raw_line, \&check_name_constraints, 'check_name_constraints', $recheck, $line, $pbook, 'ort');
$result += basic_fix( $raw_line, \&cleanup_web, 'cleanup_web', $recheck, $line, $pbook, 'webadresse');
$result += basic_fix( $raw_line, \&cleanup_email, 'cleanup_email', $recheck, $line, $pbook, 'email');
$result += basic_fix( $raw_line, \&cleanup_lvw, 'cleanup_lvw', $recheck, $line, $pbook, 'lvw');
$result += basic_fix( $raw_line, \&remove_spaces, 'cleanup_spaces', $recheck, $line, $pbook);
if($result != $checks) {
msg("any checks failed for line $line, RECHECK ...");
}
$recheck++;
}
if($mode eq 'repair') {
my $to_line = shift @lines_to_repair;
if(not defined $to_line) {
msg("done");
exit;
}
msg("jump to line [$to_line]");
$lr->skip_lines($to_line - $line - 1);
$line = $to_line;
}
else {
$debug_exit = $cont->handle($raw_line) if(not $parse_only);
if($line % 10000 == 0) {
my $p = $line * 100 / $count;
if($p) {
print "\r" . ( "=" x int(0.65 * $p) ) .
sprintf("=> [%.2f%% %.2f h]", $p, 100 /$p * (time()-$start_time) /3600 );
$cont->commit() if(not $parse_only);
}
}
$line++;
}
}
msg("finished");
$cont->finished() if(not $parse_only);
sub msg {
my $str = shift;
my $tag = shift;
if($log_msg{$tag} or not exists $log_msg{$tag}) {
print "\r++ [".localtime(time())." line $line] $str\n";
}
}
# ------------------------------------------------------------------------------
# Patchverwaltung
# ------------------------------------------------------------------------------
sub patch_available {
my $ref = shift;
my $file = '.' . shift() . '.patch';
my $line = shift;
my $test_case = shift;
if(not open(FILE, "< $file")) {
msg("no patch file '$file': $!");
return 0;
}
while(defined(my $l = <FILE>)) {
chomp $l;
if($l =~ m!^$line\;action=ignore;test=$test_case!) {
msg("have to ignore line $line with $test_case");
close FILE;
return 1;
}
elsif($l =~ m!^${line}\;action=replace;test=$test_case;(.*)!) {
my $subs = $1;
foreach my $str (split /\;/, $subs) {
if($str =~ m!^([a-z]+)=(.*)!) {
$ref->{$1} = $2;
}
}
close FILE;
return 1;
}
elsif(($mode ne 'repair') and ($l =~ m!^$line\;action=fixlater;test=$test_case!)) {
msg("have to ignore line $line with $test_case");
close FILE;
return 1;
}
}
close FILE;
msg("no patch for line $line / $test_case in $file available");
return 0;
}
sub store_patch {
my $ref = shift;
my $file = '.' . shift() . '.patch';
my $line = shift;
my $test_case = shift;
my $action = shift;
my $substitution = shift;
open(FILE, ">> $file") or die "can't open patch file '$file': $!\n";
if($action eq 'ignore') {
print FILE "$line;action=$action;test=$test_case\n";
}
elsif($action eq 'fixlater') {
print FILE "$line;action=$action;test=$test_case\n";
}
elsif($action eq 'replace') {
print FILE "$line;action=$action;test=$test_case;$substitution\n";
}
close FILE;
}
sub basic_fix {
my $record = shift;
my $func = shift;
my $func_name = shift;
my $recheck = shift;
my $line = shift;
my $pbook = shift;
my $main_key = shift; # Schluessel, der hauptsaechlich ueberprueft wird
my $backup_value = $record->{$main_key};
if(not &{$func}($record)) {
my $answer;
if(not patch_available($record, $pbook, $line, $func_name)) {
msg("\a\a\abasic fix failed in line $line when applying $func_name()");
msg(Dumper($record));
msg("Maybe problem with $main_key=[$record->{$main_key}], was [$backup_value] before transformation");
if($correct_later) {
msg("ignore problem for now");
store_patch($record, $pbook, $line, $func_name, 'fixlater');
}
else {
msg("[i]gnore now, [a]lways ignore, [u]ndefine $main_key, [c]ancel, [l]ater or key=value[;key2=...] ?\n");
print ">> ";
$answer = <STDIN>;
chomp($answer);
if($answer eq '') {
return 0; # -> Versehentlich Enter gedrueckt?
}
elsif(lc($answer) eq 'i') {
msg("ignoring line $line");
}
elsif(lc($answer) eq 'l') {
msg("correct line $line later");
$correct_later = 1;
store_patch($record, $pbook, $line, $func_name, 'fixlater');
}
elsif(lc($answer) eq 'a') {
msg("always ignore line $line");
store_patch($record, $pbook, $line, $func_name, 'ignore');
}
elsif(lc($answer) eq 'u') {
msg("Loesche $main_key in line $line");
$record->{$main_key} = undef;
store_patch($record, $pbook, $line, $func_name, 'replace', $main_key .'=');
return 0;
}
elsif((lc($answer) eq 'c') or (lc($answer) eq 'x')) {
# Es gibt offensichtlich ein Problem. Wir speichern mal die aktuelle Zeilennummer weg,
# falls wir an der selben Stelle weitermachen wollen.
open(CURRLINE, "> .current_line.$pbook") or die "can't open '.current_line.$pbook': $!\n";
print CURRLINE $line;
close(CURRLINE);
exit;
}
elsif($answer =~ m!^[a-z]+=.*$!i) {
msg("save new values for line $line");
store_patch($record, $pbook, $line, $func_name, 'replace', $answer);
return 0; # -> retest
}
else {
return 0;
}
}
}
else {
msg("basic fix failed in line $line when applying $func_name(), but there is a patch. Record for check=$recheck is now " . Dumper($record));
return ($recheck < 2) ? 0 : 1;
}
}
return 1;
}
# ------------------------------------------------------------------------------
# Pruef- und Reperaturfunktionen
# ------------------------------------------------------------------------------
sub remove_spaces {
my $ref = shift;
foreach my $k (keys %$ref) {
$ref->{$k} =~ s!^ +!!;
$ref->{$k} =~ s! +$!!;
$ref->{$k} =~ s![\t\s]+! !g;
}
return 1;
}
# e.: was bedeutet nochmal flag = 0..3?
# <e.> nitram: welche Ausgabe?
# alle?
# gibt es da unterschiede?
# <e.> bisher nur 1,2 oder 3 fuer Privat, Gewerblich und Continuation, jetzt
# <e.> 0x80 - gewerblich
# <e.> 0x40 - Hat der Inersesuche nicht widersprochen
# <e.> 0x10 - Beinhaltet eine URL oder Mailadresse
# <e.> 0x00 - einzeilig, 0x01 mehrzeilig - start, 0x02 mehrzeilig - weiter
# ich meinte flag & 0xf = 0..3
# <e.> nitram: ja, die Flags unterschieden sich
# <e.> nitram: Aenderungen Herbst 2003 zu Fruehjahr 2004
# e.: d.h. wenn flag einstellig, dann 1,2 oder 3 fuer Privat, Gewerblich und Continuation, sonst wie genannt
# <e.> nitram: ab Fruehjahr gabs die neuen Flags
# <e.> nitram: vorher warn die Flags als Zahl vor den Nachnamen geklatscht
# <e.> nitram: Da stand dann immer 1M?ller
# <e.> nitram: das habbick schon gesplittet
sub convert_flag {
my $ref = shift;
$ref->{oflags} = int hex $ref->{flags};
if($ref->{version} > 10) {
$ref->{flags} = int(hex($ref->{flags}));
$ref->{is_corporation} = int($ref->{flags} & 128) ? 1 : 0;
$ref->{inverse_allowed} = int($ref->{flags} & 64) ? 1 : 0;
$ref->{cont} = int($ref->{flags} & 0xf) ? 1 : 0;
$ref->{cont_start} = int($ref->{flags} & 0xf) <= 1 ? 1 : 0
}
else {
#$ref->{is_corporation} = $ref->{flags} == 1 ? 1 : 0;
$ref->{cont_start} = ($ref->{flags} == 3 || $ref->{flags} == 1) ? 1 : 0;
$ref->{cont} = $ref->{flags} == 2 ? 1 : 0;
}
return 1;
}
#
# 0 - einzeleintrag
# 1 - begin einer cont
# 2 - ein folgeeintrag
sub check_name_constraints {
my $ref = shift;
if(not defined($ref->{vorname}) and not defined($ref->{nachname}) and ($ref->{flag} & 0xf > 2) ) {
return 0;
}
return 1;
}
sub expand_street_name {
my $ref = shift;
if($ref->{strasse} eq '') {
return 1;
}
# Ein '..' am Ende kann man gefahrlos durch den einzlnen Punkt ersetzen.
# Das machen wir gleich am anfang, damit moeglichst viele darauffolgende Regeln
# matchen.
$ref->{strasse} =~ s!\.\.$!\.!;
# Abkuerzungen, die expandiert werden sollen, sofern sie am Ende stehen.
# Das Substituieren mittendrin kann schiefgehen, also lassen wir das besser
### Strasse
if($ref->{strasse} =~ s!([Ss])tr\.$!"${1}tra\xdfe"!ie) {
return 1;
}
if($ref->{strasse} =~ s!([a-z])\-$!"${1}stra\xdfe"!e) {
return 1;
}
if($ref->{strasse} =~ s![\w]\-$!"${1}stra\xdfe"!e) {
return 1;
}
if($ref->{strasse} =~ s!\-$!"Stra\xdfe"!e) {
return 1;
}
### Siedlung
elsif($ref->{strasse} =~ s!Sdlg\.$!Siedlung!) {
return 1;
}
elsif($ref->{strasse} =~ s!([Ss])iedl\.$!"${1}iedlung"!e) {
return 1;
}
### Bahnhof
elsif($ref->{strasse} =~ s!bahnh\.$!bahnhof!) {
return 1;
}
elsif($ref->{strasse} =~ s!bhf\.$!bahnhof!) {
return 1;
}
elsif($ref->{strasse} =~ s!([Bb])ahnhofst\.$!"${1}ahnhofstra\xdfe"!e) {
return 1;
}
### Platz
elsif($ref->{strasse} =~ s!([Pp])lz?\.$!"${1}latz"!e) {
return 1;
}
### Chaussee, wenn eigenes Wort
elsif($ref->{strasse} =~ s! Ch\.$! Chaussee!) {
return 1;
}
# Manchmal steht hinter Strassennamen versehentlich ein Punkt, ohne das
# der Str.namen expandiert werden soll. Hier ist eine Whitelist, wo
# das dann ok ist, wenn man den Punkt entfernt.
# Man kann den Punkt nicht immer entfernen. Und zwar dann, wenn es sich
# tatsaechlich um eine Abkuerzung handelt, z.B. '...tierp.' fuer Tierpark.
#
# 'ch.' fuer Chaussee etc. sollte nicht unbedingt explandiert werden, denn
# es gibt eine Reihe von Worten, die auch auf 'ch' enden, z.B. Teich.
# Gleiches gilt fuer '...al' (Allee). Vorsicht mit 'thal' und 'th?al?. Dahinter koennte sich eine
# Allee verbergen.
# Wenn man das wirklich expanden will, sollte man das nicht mitten im Wort versuchen.
# XXX -> Ins Webinterface sollte der Hinweis, dass man Strings, die man ueblicherweise auch abkuerzt,
# nicht fuer die suche benutzt (z.B. 'w.' fuer '...weg', 'Johann-v.-Neumann-Str.', ...).
if(($ref->{strasse} =~ m!(weg|wegen|busch|wasser|steig|stiege|moor|moos|felde?|wehl|bett|teich|bruch|deich|diek|dieken|esch|ecke?|
egge|kalk|spitze|boden|reihe|ende|forst|torf|brand|
strand|kathen|hagen|haag|sohl|stock|breite|bach|bree?de|stieg|steig|
burg|berge?|bergen|barg|grunde?|brink|rau|leuchte|hof|heide|strat|straa[td]|platz|hecke|Allee|
werk|gebiet|Neistigh|b\xfcll|S\xfcd|ost|west|nord|hain|damm?|hoog|kamp|k[a\xe4]mpen?|lid|
tannen|stein|m\xfchle|ring|turm|brunnen|b\xfchl|buckel|
hafen|ac?ker|wiete|wieke|bee?k|redder|bau|furth?|wurth|koppel|krug|walde?|bad|kjer|mus|stee?g|
reeg|sande?|warft?|wai|stadt|stedt|ort|dorf|born|weiler|keller|holz|lohe|
center|chaussee|see|linge|wisch|aue|bahn|wall|siedlung|g[a\xe4]rten|winkel|birken?|eichen?|linden?|
strang|hausen|haus|h\xe4usern?|riethe|markt?|riede?|kolonie|worth|revier|lande?|anger|ritt|
weiher|lingen|hang|gasse|thal|grube|graben|furche|h\xf6he?|h\xfcfe|stumpf|rain|gang|schaft|schacht|
kuhlen?|kirche|kippel|schlade|lage|kiel|beeke|passage|schlag|sch\xfctt|
wehr|sicht|hub|zentrum|wiese?|seite|weide|blick|hang|holder|mauer|st\xfcck|pfad|pforte|halde|hude|
tor|br\xfccke|heim|park|h\xfctte|chen)\.$!ix)) {
$ref->{strasse} =~ s!\.$!!;
return 1;
}
# Einfach ignorieren
elsif($ref->{strasse} =~ m!(liegend|geb|anl|parz)\.$!i) {
return 1;
}
# Sollte sich irgendwo ein Punkt befinden, dann lieber mal
# msggen, damit man draufkucken kann.
# elsif($ref->{strasse} =~ m!\.$!) {
# print "[$ref->{strasse}]\n";
# return 1;
# }
return 1;
}
#
# kann zusaetzliche Keys erzeugen:
# - fax_equals_fon
# - is_fax
sub cleanup_number {
my $ref = shift;
if($ref->{rufnummer} eq '') {
return 1;
}
# Erstmal sinnlose lange Zeichenketten entfernen
$ref->{rufnummer} =~ s!(Schreib|Bild|M\xfcnz|C)-?Tel!!i;
$ref->{rufnummer} =~ s!^(T\-Netv\.Ort|Info\-?Box|Mailbox|Data\s*ISDN|ISDN-?Leonardo|VoIP|ISDN|T\-?View|T\-?Net\-?Box|Video|Modem|eurofile|DF.|City|E\-?Plus|Scall|Quix|Skyper|City\-?Ruf|Tfx\s*D1C\-?)\s*!!i;
my @stop_words = grep {$_ ne ''} sort {length($b) <=> length($a) }
qw(
D\"C-Tel
D1
D1C\-Telt
D1DC\-Tel
D1Du
D1F
D1FDu
D1Fu
D1Fz
D1u
D2
D2[\-\s]C-Tel
D2\-Nr
D2\-Nrs
D22C-Tel
D2DN
D2Du
D2F
D2FDu
D2Fe
D2Fi
D2Fz
D2u
D3C\-Tel
DC\-Tel
DD2\-Nr
DF2C\-Tel
DeC\-Tel
Desloch
DiC\-Tel
Dia
E
E\-PLUS
E\-
Fu
IDN
IDSDN
IDSN
ISDB
ISDDN
ISDEN
ISDM
ISDSN
ISN
ISND
ISSDN
Kfz
Tfz
Telmi
TfxN
Tfk
Q
x
01u
[^A-Za-z\d]b
);
my $xxx = match_longest_prefix($ref->{rufnummer}, \@stop_words, 1);
$ref->{rufnummer} =~ s!^$xxx\s*!!gi;
# Sinnlose Zeichen entfernen. Da '-' in einigen Worten wie 'e-plus', ... vorkommt,
# scheiden wir das wirklich ganz zum Schluss erst raus.
$ref->{rufnummer} =~ s![\,\+\.\(\)]!!g;
$ref->{rufnummer} =~ s![\?]$!!g;
if(($ref->{vorwahl} ne '') and ($ref->{rufnummer} ne '')) {
$ref->{is_phone} = 1;
}
# Der Sonderfall, dass eine Faxweiche gibt
if($ref->{rufnummer} =~ s!^(fax\s*\&\s*fon|Tel\s*\/\s*Fax)\s*!!i) {
$ref->{fax_equals_fon} = 1;
$ref->{is_fax} = 1;
}
# Faxnummern sind i.d.R. als solche markiert. Damit der Bereinigungsprozess
# ohne Unterscheidung von Tel/Fax weiterlaufen kann, schneiden wir nur
# das Wort Fax heraus. Und lassen den Bereinigungsprozess weiterlaufen
if($ref->{rufnummer} =~ m!^(Tele)?Fax\s*!i) {
$ref->{is_phone} = 0;
$ref->{is_fax} = 1;
$ref->{rufnummer} =~ s!^(Tele)?Fax\s*(Europa|Intern|D1Fu|D2\-?Nr|EPlus)?\s*!!i;
}
# An dieser Stelle mal die Spaces rausschneiden.
$ref->{rufnummer} =~ s!\s!!g;
# Hier koennen wir die '-' u '/'-Zeichen entfernen
$ref->{rufnummer} =~ s![\-/]!!g;
# Bevor Vanitynummern aufgeloest werden, sollten wir wirklich alle sonstigen
# alphanummerischen Zeichen behandelt haben.
# Merkmale von Vanitynummern:
# - die Vorwahl ist eigentlich immer leer
# - vor der Vanitynr. ist eigentlich immer eine Service- oder Mobil-Prefix
if(($ref->{vorwahl} eq '') and ($ref->{rufnummer} =~ m!^00[78]00\d*[a-z]!i)) {
msg("Ganz sicher eine Vanity-Nr. [$ref->{rufnummer}] mit fehlerhaftem Prefix. Repariere.") if($log_msg{display_vanity_numbers});;
$ref->{rufnummer} =~ s!^0!!;
}
if(($ref->{vorwahl} eq '') and ($ref->{rufnummer} =~ m!^0[^0]\d*[a-z]!i)) {
msg("ganz sicher eine Vanity-Nr. [$ref->{vorwahl}][$ref->{rufnummer}]") if($log_msg{display_vanity_numbers});
cleanup_vanity_number($ref);
}
elsif((exists($service_prefix{$ref->{vorwahl}})) and ($ref->{rufnummer} =~ m![a-z]!i)) {
msg("ganz sicher eine Vanity-Nr. [$ref->{vorwahl}][$ref->{rufnummer}]") if($log_msg{display_vanity_numbers});
cleanup_vanity_number($ref);
}
elsif($ref->{rufnummer} =~ m!^\d+([a-z][a-z]?)$!i) {
msg("Hoechstwahrscheinlich keine Vanity-Nr! [$ref->{vorwahl}][$ref->{rufnummer}]. Entferne letzte(s) Zeichen am Ende.")
if($log_msg{display_uncertain_vanity_numbers});;
$ref->{rufnummer} =~ s!$1$!!;
}
elsif((length($ref->{rufnummer})>10) and ($ref->{rufnummer} =~ m![a-z]!i)) {
msg("Vanity? Hoechstwahrscheinlich ein Fehler, weil Nummer zu lang. [$ref->{vorwahl}][$ref->{rufnummer}]")
if($log_msg{display_uncertain_vanity_numbers});;
return 0;
}
elsif($ref->{rufnummer} =~ m![a-z]!i) {
msg("Vanity? [$ref->{vorwahl}][$ref->{rufnummer}]") if($log_msg{display_uncertain_vanity_numbers});;
#cleanup_vanity_number($ref)
return 0;
}
if($ref->{rufnummer} eq '0') {
msg("Rufnummer ist exakt '0'. Entferne Rufnummer.", 'cleanup_number');
$ref->{rufnummer} = undef;
}
return 1;
}
sub check_constraints_number_length {
my $ref = shift;
# Check auf Laenge fuer 0700-Nummern. Die muessen eigentlich 8 Stellen haben. Es kan aber auch sein,
# dass Leute die mit einer Durchwahl angeben.
if(($ref->{vorwahl} eq '0700') and (length($ref->{rufnummer}) < 7) and (length($ref->{rufnummer}) >= 9)) {
msg("0700er Nummern koennen eigentlich nicht weniger als 8 Stellen haben.", 'cleanup_number');
return 1;
}
# Abbrechen, wenn die Rufnummer sehr lang ist
if(length($ref->{rufnummer}) > 13) {
msg("Rufnummer vielleicht zu lang?", 'cleanup_number');
return 1;
}
#
# Wenn jetzt noch irgendwas unklar ist, dann lieber mal abbrechen.
#
if($ref->{rufnummer} =~ m![^\w]!) {
return 0;
}
return 1;
}
#
# Diese Funktion ist, zugegeben, etwas sehr laenglich und damit schwer zu ueberblicken.
# Wir untersuchen den Zusammenhang zw. Vorwahl und Rufnummer und unterscheiden dabei
# anhand der Beispiele gegeben:
#
# Vorwahl | Rufnummer
#
# | 0800 123456
# | 0177 123456
# | 0045 77 123456
# |
#
sub check_number {
my $ref = shift;
# Bedingungen
my $prefix_empty = ($ref->{vorwahl} eq '') ? 1 : 0;
my $prefix_is_mobile_pref = exists( $mobile_prefix{$ref->{vorwahl}});
my $prefix_is_service_pref = exists($service_prefix{$ref->{vorwahl}});
my $number_starts_with_0 = ($ref->{rufnummer} =~ m!^0!) ? 1 : 0;
my $number_has_service_prefix = match_longest_prefix($ref->{rufnummer}, \@service_prefix);
my $number_has_mobile_prefix = match_longest_prefix($ref->{rufnummer}, \@mobile_prefix);
#
# Keine Vorwahl vorhanden, alle relevanten Informationen muessen im Nummernteil stecken
#
if($prefix_empty) {
#
# Servicegassen: 0800 ...
#
if(length $number_has_service_prefix) {
msg("Leere Vorwahl, Rufnummer hat Service-Prefix [$number_has_service_prefix]. Repariere [$ref->{rufnummer}].", 'prefix_in_number');
$ref->{vorwahl} = $number_has_service_prefix;
$ref->{rufnummer} =~ s!^$number_has_service_prefix!!;
}
#
# Mobilfunkgassen: ...
#
elsif(length $number_has_mobile_prefix) {
msg("Leere Vorwahl, Rufnummer hat Mobil-Prefix [$number_has_mobile_prefix]. Repariere [$ref->{rufnummer}].", 'prefix_in_number');
$ref->{vorwahl} = $number_has_mobile_prefix;
$ref->{rufnummer} =~ s!^$number_has_mobile_prefix!!;
}
#
# Laendervorwahl
#
elsif($ref->{rufnummer} =~ m!^00!) {
msg("Landesvorwahl?", 'check_number');
return 0;
}
#
# Normale Ortskennzahl
#
elsif($number_starts_with_0) {
# hoechstwahrscheinlich eine Ortsvorwahl oder ein Fuckup
msg("Rufnummer ohne Vorwahl. Split.", 'check_number');
my $new_pref_number = split_prefix_from_number($ref->{vorwahl} . $ref->{rufnummer});
if(ref $new_pref_number) {
$ref->{vorwahl} = $new_pref_number->[0];
$ref->{rufnummer} = $new_pref_number->[1];
return 1;
}
msg("Split nicht erfolgreich.");
return 0;
}
}
#
# Als Vorwahl ist eine Mobilfunkgasse angegeben
#
elsif(length $prefix_is_mobile_pref) {
#
#
#
if(length $number_has_mobile_prefix) {
msg("Vorwahl [$ref->{vorwahl}] ist Mobilprefix und Rufnummer [$ref->{rufnummer}] hat Mobilprefix.", 'check_number');
return 0;
}
elsif($number_starts_with_0) {
msg("Vorwahl [$ref->{vorwahl}] ist Mobilprefix und Rufnummer [$ref->{rufnummer}] beginnt mit 0. Ignorieren.", 'check_number');
}
}
#
# Vorwahl ist eine Servicegasse
#
elsif(length $prefix_is_service_pref) {
if($number_has_service_prefix) {
msg("Vorwahl [$ref->{vorwahl}] ist Serviceprefix und Rufnummer [$ref->{rufnummer}] hat Serviceprefix, Ignorieren.",
'check_number');
}
}
#
# landesvorwahl
#
elsif($ref->{rufnummer} =~ m!^00(\d\d)$!) {
my $lvw = $1;
msg("Rufnummer ist [$ref->{vorwahl}][$ref->{rufnummer}]. Das ist wohl eine Landesvorwahl. Entferne Vorwahl. Uebernehme LVw als eigenes Feld.", 'check_number');
$ref->{lvw} = '00' . $lvw;
$ref->{rufnummer} =~ s!^00$lvw!!;
$ref->{vorwahl} = undef;
return 0;
}
#
# Normale Ortskennung als Vorwahl vorhanden
#
else { #normale ortsk
if($ref->{rufnummer} =~ m!^\(?$ref->{vorwahl}\)?!) { # Vorwahl ist nicht leer
msg("Ortsrufnummer [$ref->{vorwahl}][$ref->{rufnummer}] beinhaltet Vorwahl auch im Rufnr.teil. Entferne Vorwahl.", 'check_number');
$ref->{rufnummer} =~ s!^\(?$ref->{vorwahl}\)?!!;
$number_starts_with_0 = ($ref->{rufnummer} =~ m!^0!) ? 1 : 0; # recheck
}
if(not exists $area_code_directory{$ref->{vorwahl}}) {
msg("UNBEKANNTE VORWAHL [$ref->{vorwahl}], BEHANDLE WIE BEI KOLLISIONEN.", 'check_number');
$number_starts_with_0 = 1;
}
if($number_starts_with_0) { # nummer beginnt mit 0
msg("Vorwahl [$ref->{vorwahl}] vorhanden. Rufnummer [$ref->{rufnummer}] beginnt mit 0.", 'check_number');
if($number_has_service_prefix) {
$ref->{vorwahl} = $number_has_service_prefix;
$ref->{rufnummer} =~ s!^$number_has_service_prefix!!;
msg("Rufnummernteil ist Servicenummer und passt nicht zur Vorwahl -> Repariere -> [$ref->{vorwahl}][$ref->{rufnummer}] ",
'check_number');
}