Files
fn_registry/python/functions/cybersecurity/extract_phone_numbers.py
T
egutierrez cce7764510 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>
2026-04-30 16:41:30 +02:00

64 lines
1.8 KiB
Python

"""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