feat(cybersecurity): 8 IoC regex extractors + extract_iocs pipeline puro
Extractores nuevos en python/functions/cybersecurity/: - extract_ip_addresses (IPv4 + IPv6 con validacion ipaddress) - extract_emails (RFC 5322 simplificado) - extract_domains (FQDNs con TLD valido, lista estatica) - extract_file_hashes (MD5/SHA1/SHA256/SHA512, algoritmo por longitud) - extract_crypto_wallets (BTC legacy + bech32, ETH 0x+40hex) - extract_cve_ids (CVE-YYYY-NNNN+) - extract_mac_addresses (xx:xx:xx + xx-xx-xx, separador uniforme) - extract_phone_numbers (E.164 + ES local 9 digitos) Pipeline: - extract_iocs corre todos, deduplica spans contenidos. Mantiene purity:pure (kind:function con uses_functions no vacio) porque la regla del registry exige que los pipelines sean impuros. Todas devuelven list[dict] con value/start/end/type para que el caller (issues 0038-0040) pueda reconciliar offsets con spans NER sin reparsing. Refs #0037 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
This commit is contained in:
@@ -0,0 +1,63 @@
|
||||
"""Extrae numeros de telefono (E.164 + formatos comunes ES/EU) con offsets."""
|
||||
|
||||
import re
|
||||
|
||||
# E.164: + seguido de 8 a 15 digitos, opcionalmente con espacios/guiones internos.
|
||||
_E164_REGEX = re.compile(
|
||||
r"(?<![A-Za-z0-9])"
|
||||
r"\+\d{1,3}[\s\-]?\d{1,4}(?:[\s\-]?\d{1,4}){1,4}"
|
||||
r"(?![A-Za-z0-9])"
|
||||
)
|
||||
# ES: 9 digitos empezando por 6, 7, 8 o 9 (movil/fijo).
|
||||
_ES_LOCAL_REGEX = re.compile(
|
||||
r"(?<![A-Za-z0-9+])"
|
||||
r"[6789]\d{2}[\s\-]?\d{3}[\s\-]?\d{3}"
|
||||
r"(?![A-Za-z0-9])"
|
||||
)
|
||||
|
||||
|
||||
def extract_phone_numbers(text: str) -> list[dict]:
|
||||
"""Extrae numeros de telefono E.164 y formato local ES de 9 digitos.
|
||||
|
||||
Acepta separadores `space`, `-` entre grupos. E.164 requiere `+` y
|
||||
entre 8 y 15 digitos (ITU-T). Formato local ES son 9 digitos que
|
||||
empiezan por 6/7/8/9. Tras quitar separadores se valida la longitud
|
||||
minima.
|
||||
"""
|
||||
seen_spans = set()
|
||||
results = []
|
||||
|
||||
for m in _E164_REGEX.finditer(text):
|
||||
candidate = m.group(0)
|
||||
digits = re.sub(r"[^0-9]", "", candidate)
|
||||
if not (8 <= len(digits) <= 15):
|
||||
continue
|
||||
span = (m.start(), m.end())
|
||||
if span in seen_spans:
|
||||
continue
|
||||
seen_spans.add(span)
|
||||
results.append({
|
||||
"value": candidate,
|
||||
"start": m.start(),
|
||||
"end": m.end(),
|
||||
"type": "phone_number",
|
||||
})
|
||||
|
||||
for m in _ES_LOCAL_REGEX.finditer(text):
|
||||
candidate = m.group(0)
|
||||
digits = re.sub(r"[^0-9]", "", candidate)
|
||||
if len(digits) != 9:
|
||||
continue
|
||||
span = (m.start(), m.end())
|
||||
if span in seen_spans:
|
||||
continue
|
||||
seen_spans.add(span)
|
||||
results.append({
|
||||
"value": candidate,
|
||||
"start": m.start(),
|
||||
"end": m.end(),
|
||||
"type": "phone_number",
|
||||
})
|
||||
|
||||
results.sort(key=lambda r: r["start"])
|
||||
return results
|
||||
Reference in New Issue
Block a user