vesti/sources/extract.py

# VESTI — извлечение потенциальных источников из текста поста (без LLM, regex).
import re
from urllib.parse import urlparse

_MAX_PER_POST = 5

# t.me/handle, t.me/s/handle, telegram.me/handle
_TG_RE = re.compile(
    r"(?:https?://)?(?:www\.)?(?:t\.me|telegram\.me)/(?:s/)?([a-zA-Z][a-zA-Z0-9_]{3,31})"
)
# @handle (не email, не на конце слова)
_AT_RE = re.compile(r"(?<!\w)@([a-zA-Z][a-zA-Z0-9_]{3,31})\b")
# внешние http(s)-ссылки
_URL_RE = re.compile(r"https?://([^\s<>\"']+)", re.I)

_TG_DOMAINS = ("t.me", "telegram.me")


def _domain_of(url: str) -> str:
    return (urlparse(url if "://" in url else "https://" + url).netloc or "").lower()


def extract_sources_from_text(text: str, exclude_tg_url: str | None = None) -> list[dict]:
    """Ищет TG-каналы и внешние сайты в тексте поста.

    exclude_tg_url — url самого поста (t.me/channel/postid): ссылку на него
    отбрасываем (это адрес поста, а не источник).

    Возвращает список dict: {"kind": "telegram"|"site", "address": str,
                             "slug_hint": str|None, "domain": str|None}
    максимум _MAX_PER_POST элементов.
    """
    out: list[dict] = []
    seen: set[tuple] = set()

    def add(kind: str, address: str, slug_hint: str | None, domain: str | None):
        key = (kind, slug_hint or domain or address)
        if key in seen:
            return
        seen.add(key)
        out.append({"kind": kind, "address": address, "slug_hint": slug_hint, "domain": domain})

    text = (text or "")[:4000]

    for m in _TG_RE.finditer(text):
        ch = m.group(1)
        if exclude_tg_url and f"/{ch}/" in exclude_tg_url:
            continue  # ссылка на сам пост
        add("telegram", f"https://t.me/{ch}", ch, None)
        if len(out) >= _MAX_PER_POST:
            break

    for m in _AT_RE.finditer(text):
        add("telegram", f"https://t.me/{m.group(1)}", m.group(1), None)
        if len(out) >= _MAX_PER_POST:
            break

    for m in _URL_RE.finditer(text):
        u = m.group(1).rstrip(".,;:!?)]}\"'")
        dom = _domain_of(u)
        if not dom:
            continue
        if dom in _TG_DOMAINS or dom.endswith(".t.me"):
            continue  # уже обработано выше
        add("site", u, None, dom)
        if len(out) >= _MAX_PER_POST:
            break

    return out[:_MAX_PER_POST]