portal/app/app/Services/Autopodbor/Agent/Extract/HtmlPhoneScanner.php

<?php

declare(strict_types=1);

namespace App\Services\Autopodbor\Agent\Extract;

final class HtmlPhoneScanner
{
    /**
     * @param  ?string  $defaultAreaCode  код города из запроса (напр. «391») — запасной для
     *                                    достройки коротких локальных номеров, если на странице нет полных
     * @return array{code: array<string,list<string>>, body: array<string,int>, emails: list<string>, uncertain: list<string>}
     */
    public function scan(string $html, ?string $defaultAreaCode = null): array
    {
        $code = [];
        $uncertain = [];

        // 1. Собираем сырые значения из ЯВНЫХ телефонных контекстов (tel/schema/microdata).
        //    Короткие локальные формы (без кода города) здесь безопасны — это точно телефоны.
        $rawCandidates = [];
        $patterns = [
            ['/tel:([+0-9()\s-]{6,})/i', 'tel'],
            ['/"telephone"\s*:\s*"([^"]+)"/i', 'schema'],
            ['/itemprop=["\']telephone["\'][^>]*content=["\']([^"\']+)/i', 'microdata'],
        ];
        foreach ($patterns as [$re, $slot]) {
            if (preg_match_all($re, $html, $m)) {
                foreach ($m[1] as $x) {
                    $rawCandidates[] = ['raw' => $x, 'slot' => $slot];
                }
            }
        }

        // 2. Из полных номеров берём национальные части (10 цифр) — по ним определяем код города.
        $national = [];
        foreach ($rawCandidates as $c) {
            $n = $this->normalizeMaybe($c['raw']);
            if ($n !== null) {
                $national[] = substr($n, 1);
            }
        }

        $add = function (string $n, string $slot) use (&$code): void {
            $code[$n] ??= [];
            if (! in_array($slot, $code[$n], true)) {
                $code[$n][] = $slot;
            }
        };

        // 3. Разносим: полные — как есть; короткие локальные — достраиваем кодом города.
        foreach ($rawCandidates as $c) {
            $n = $this->normalizeMaybe($c['raw']);
            if ($n !== null) {
                $add($n, $c['slot']);

                continue;
            }
            [$status, $value] = $this->classifyShort($c['raw'], $national, $defaultAreaCode);
            if ($status === 'built') {
                $add((string) $value, $c['slot']);
            } elseif ($status === 'uncertain' && ! in_array($value, $uncertain, true)) {
                $uncertain[] = (string) $value; // код города не определить — не теряем, к проверке
            }
            // 'fragment' (обрезок полного номера) и 'skip' (не телефон) — игнорируем
        }

        // Номера в теле берём из ВИДИМОГО текста: вырезаем <script>/<style>, чтобы не тянуть
        // технический мусор из конфигов/аналитики. Реальные номера из JSON-LD уже пойманы выше (schema).
        $bodyHtml = preg_replace('#<(script|style)\b[^>]*>.*?</\1>#is', ' ', $html) ?? $html;

        $body = [];
        if (preg_match_all('/(?:\+7|8)[\s(\-]*\d{3}[\s)\-]*\d{3}[\s\-]*\d{2}[\s\-]*\d{2}/', $bodyHtml, $m)) {
            foreach ($m[0] as $x) {
                $n = $this->normalizeMaybe($x);
                if ($n !== null) {
                    $body[$n] = ($body[$n] ?? 0) + 1;
                }
            }
        }

        $emails = [];
        if (preg_match_all('/([a-z0-9._%+-]+)@[a-z0-9.-]+\.[a-z]{2,}/i', $html, $m)) {
            foreach ($m[1] as $local) {
                $d = preg_replace('/\D+/', '', $local) ?? '';
                if (strlen($d) >= 7) {
                    $emails[] = $d;
                }
            }
        }

        return ['code' => $code, 'body' => $body, 'emails' => $emails, 'uncertain' => $uncertain];
    }

    private function normalizeMaybe(string $raw): ?string
    {
        $digits = preg_replace('/\D+/', '', $raw) ?? '';
        if (strlen($digits) === 11 && ($digits[0] === '8' || $digits[0] === '7')) {
            return '7'.substr($digits, 1);
        }
        if (strlen($digits) === 10) {
            return '7'.$digits;
        }

        return null;
    }

    /**
     * Классифицирует короткую (6–7 цифр) форму номера из явного телефонного контекста.
     * Возвращает [статус, значение]:
     *  - 'built'     + 7XXXXXXXXXX — локальный номер достроен кодом города;
     *  - 'fragment'  + null        — обрезок полного номера (страна+код), выкидываем;
     *  - 'uncertain' + цифры       — код города не определить, не теряем, помечаем к проверке;
     *  - 'skip'      + null        — не 6–7-значная форма, не наше.
     * Пример: «271-33-33» при «+7 (391) …» → ['built','73912713333'];
     *          обрезок «+7 (391) 271» (7391271) → ['fragment', null].
     *
     * @param  list<string>  $national  10-значные национальные части полных номеров страницы
     * @param  ?string  $defaultAreaCode  запасной код города из запроса (если полных нет)
     * @return array{0:string,1:?string}
     */
    private function classifyShort(string $raw, array $national, ?string $defaultAreaCode): array
    {
        $digits = preg_replace('/\D+/', '', $raw) ?? '';
        $len = strlen($digits);
        if ($len < 6 || $len > 7) {
            return ['skip', null];
        }

        $area = $this->areaCode($national, 10 - $len, $defaultAreaCode);
        if ($area === null) {
            return ['uncertain', $digits]; // код города не определить
        }

        // Обрезок полного номера: уже содержит код страны 7/8 + код города (напр. 7391271 = 7·391·271).
        // Настоящий локальный (2713333, или московский 7712233 при коде 495) этим не задевается.
        if (str_starts_with($digits, '7'.$area) || str_starts_with($digits, '8'.$area)) {
            return ['fragment', null];
        }

        return ['built', '7'.$area.$digits];
    }

    /**
     * Код города нужной длины: самый частый префикс среди полных номеров страницы,
     * иначе запасной из запроса. null — если не определить.
     *
     * @param  list<string>  $national
     */
    private function areaCode(array $national, int $prefixLen, ?string $defaultAreaCode): ?string
    {
        if ($national !== []) {
            $counts = [];
            foreach ($national as $nat) {
                $p = substr($nat, 0, $prefixLen);
                $counts[$p] = ($counts[$p] ?? 0) + 1;
            }
            arsort($counts);
            $prefix = (string) array_key_first($counts);
            if (strlen($prefix) === $prefixLen) {
                return $prefix;
            }
        }

        if ($defaultAreaCode !== null && strlen($defaultAreaCode) === $prefixLen) {
            return $defaultAreaCode;
        }

        return null;
    }
}