1# =============================================================================2# Job·Ka — Groupe KA3# Auteur : Simon-Pierre Boucher4# Contact : contact@spboucher.ai5# Fichier : jobka/normalize.py6# Rôle : Normalisation commune des offres (salaires, dates, mode/type7# d'emploi, lieu, catégorie, exigences, séniorité) — jamais de8# valeur inventée9# Créé : 2026-08-17 Modifié : 2026-09-1210# =============================================================================11"""Couche de normalisation commune appelée par JobPosting.finalize().1213Philosophie héritée de Lou·Ka : parseurs déterministes (regex, tables de14mots-clés FR/EN), bornes de plausibilité, et surtout — une valeur absente15reste absente (None / chaîne vide), on ne devine jamais.16"""17from __future__ import annotations1819import datetime as _dt20import re21import unicodedata2223__all__ = [24 "strip_accents", "clean_text", "clean_html", "parse_salary",25 "sanitize_salary", "salary_from_text", "salary_to_yearly",26 "salary_to_hourly", "parse_date", "parse_work_mode",27 "parse_employment_type", "parse_location", "canonical_city",28 "is_quebec_location", "categorize", "detect_language",29 "extract_benefits", "clean_title", "extract_requirements",30 "parse_seniority",31]323334# ---------------------------------------------------------------------------35# Texte36# ---------------------------------------------------------------------------3738def strip_accents(s: str) -> str:39 return "".join(c for c in unicodedata.normalize("NFD", s)40 if unicodedata.category(c) != "Mn")414243def _key(s: str) -> str:44 """Minuscules sans accents — pour le matching de mots-clés."""45 return strip_accents((s or "").lower())464748def clean_text(s: str) -> str:49 """Espaces insécables -> espace, blancs réduits."""50 s = (s or "").replace("\xa0", " ").replace(" ", " ").replace(" ", " ")51 return re.sub(r"[ \t]+", " ", s).strip()525354_BLOCK_TAGS = re.compile(55 r"</?(?:p|div|br|li|ul|ol|h[1-6]|tr|table|section|article)[^>]*>", re.I)5657# Résidu HTML après une passe : balise ouvrante plausible ou entité encore58# encodée — signe d'un contenu doublement échappé.59_HTML_LEFTOVER = re.compile(60 r"<(?:p|br|li|ul|ol|div|span|strong|em|b|i|h[1-6]|a)\b|&(?:amp|lt|gt|nbsp|#\d+);",61 re.I)626364def clean_html(html: str) -> str:65 """HTML -> texte lisible : balises de bloc = sauts de ligne, le reste retiré.6667 Suffisant pour les descriptions d'offres (les connecteurs qui ont besoin68 d'un vrai parseur utilisent BeautifulSoup eux-mêmes).69 """70 if not html:71 return ""72 import html as _html73 s = html74 # Contenus sur-échappés (entités dans les entités — Greenhouse/Lever) :75 # nettoyer en boucle tant qu'il reste des balises/entités (max 3 passes).76 for _ in range(3):77 s = _html.unescape(s)78 s = re.sub(r"<(script|style)[^>]*>.*?</\1>", " ", s, flags=re.I | re.S)79 s = _BLOCK_TAGS.sub("\n", s)80 s = re.sub(r"<[^>]+>", " ", s)81 if not _HTML_LEFTOVER.search(s):82 break83 s = s.replace("\xa0", " ").replace(" ", " ")84 s = re.sub(r"[ \t]+", " ", s)85 s = re.sub(r" ?\n ?", "\n", s)86 return re.sub(r"\n{3,}", "\n\n", s).strip()878889# ---------------------------------------------------------------------------90# Salaires — transparence salariale = différenciateur clé de Job·Ka91# ---------------------------------------------------------------------------9293# Bornes de plausibilité par unité (CAD). Hors bornes = on jette (pas de94# salaire inventé, pas de « 1 $/h » venu d'un parsing raté).95_SALARY_BOUNDS = {96 "hour": (14.0, 250.0),97 "day": (100.0, 2000.0),98 "week": (500.0, 10000.0),99 "biweek": (1000.0, 20000.0),100 "month": (1800.0, 45000.0),101 "year": (20000.0, 600000.0),102}103104# Heures/an de référence pour les conversions (semaine de 40 h).105_HOURS_PER_YEAR = 2080.0106107_UNIT_PATTERNS = [108 ("hour", r"(?:/|par|per|an?)\s*(?:h\b|hr\b|hre\b|heure|hour)|horaire|hourly"),109 ("year", r"(?:/|par|per|an?)\s*(?:an\b|année|annee|year|yr\b)|annuel|annual|yearly|per\s+annum"),110 ("month", r"(?:/|par|per)\s*(?:mois|month)|mensuel|monthly"),111 ("biweek", r"(?:aux|par|per)\s*(?:2|deux|two)\s*semaines|bi-?weekly|quinzaine"),112 ("week", r"(?:/|par|per)\s*(?:sem\b|semaine|week|wk\b)|hebdomadaire|weekly"),113 ("day", r"(?:/|par|per)\s*(?:jour|day)|journalier|daily"),114]115116_NUM_RE = re.compile(r"\d{1,3}(?:[ ,]\d{3})+(?:[.,]\d{1,2})?|\d+(?:[.,]\d{1,2})?[kK]?")117118119def _parse_number(tok: str) -> float | None:120 tok = tok.strip()121 k = tok.lower().endswith("k")122 if k:123 tok = tok[:-1]124 # « 52,000 » (milliers anglais) vs « 52000,00 » / « 25,50 » (décimales)125 tok = tok.replace(" ", " ").replace(" ", " ")126 if re.fullmatch(r"\d{1,3}(?:[ ,]\d{3})+(?:[.,]\d{1,2})?", tok):127 # séparateur de milliers : retirer espaces/virgules de groupe128 tok = re.sub(r"[ ,](?=\d{3}\b)", "", tok)129 tok = tok.replace(",", ".").replace(" ", "")130 try:131 v = float(tok)132 except ValueError:133 return None134 return v * 1000 if k else v135136137def parse_salary(raw: str) -> tuple[float | None, float | None, str | None]:138 """Texte de salaire -> (min, max, unité) ou (None, None, None).139140 Exige un signe monétaire ($, CAD, dollars) OU une unité explicite proche141 des nombres — sans quoi « 35 heures/semaine » deviendrait un salaire.142 """143 s = clean_text(raw)144 if not s:145 return (None, None, None)146 key = _key(s)147148 unit = None149 for u, pat in _UNIT_PATTERNS:150 if re.search(pat, key):151 unit = u152 break153154 has_money = bool(re.search(r"\$|cad\b|dollar", key))155 if not has_money and unit is None:156 return (None, None, None)157158 nums = [_parse_number(m.group(0)) for m in _NUM_RE.finditer(s)]159 nums = [n for n in nums if n is not None]160 if not nums:161 return (None, None, None)162163 # Sans unité explicite : inférer par l'ordre de grandeur (avec $ obligatoire)164 if unit is None:165 probe = max(nums)166 if probe < 300:167 unit = "hour"168 elif probe >= 18000:169 unit = "year"170 else:171 return (None, None, None) # zone ambiguë : ne pas deviner172173 lo, hi = _SALARY_BOUNDS[unit]174 vals = sorted(n for n in nums if lo <= n <= hi)175 if not vals:176 return (None, None, None)177 return (vals[0], vals[-1] if len(vals) > 1 else vals[0], unit)178179180_TO_YEAR = {"hour": _HOURS_PER_YEAR, "day": 260.0, "week": 52.0,181 "biweek": 26.0, "month": 12.0, "year": 1.0}182183184def salary_to_yearly(value: float | None, unit: str | None) -> float | None:185 if value is None or unit not in _TO_YEAR:186 return None187 return round(value * _TO_YEAR[unit], 0)188189190def salary_to_hourly(value: float | None, unit: str | None) -> float | None:191 y = salary_to_yearly(value, unit)192 return round(y / _HOURS_PER_YEAR, 2) if y is not None else None193194195def sanitize_salary(lo: float | None, hi: float | None, unit: str | None196 ) -> tuple[float | None, float | None, str | None]:197 """Bornes de plausibilité sur les salaires STRUCTURÉS fournis par les ATS.198199 Certaines sources étiquettent mal l'unité (75 000 « /mois » ou « /h » pour200 un salaire annuel — vu chez Lever et dans les JSON-LD de portails) : si la201 valeur sort des bornes de son unité, on tente une réinterprétation vers202 l'unité dont les bornes la contiennent (année d'abord, puis heure). Aucune203 unité plausible -> on jette (pas de salaire aberrant publié).204 """205 if lo is None or unit not in _SALARY_BOUNDS:206 return (lo, hi, unit)207 b = _SALARY_BOUNDS[unit]208 if not (b[0] <= lo <= b[1]):209 for candidate in ("year", "hour"):210 cb = _SALARY_BOUNDS[candidate]211 if candidate != unit and cb[0] <= lo <= cb[1]:212 unit, b = candidate, cb213 break214 else:215 return (None, None, None)216 if hi is not None and not (b[0] <= hi <= b[1]):217 hi = None # max aberrant : on garde le min plausible seul218 if hi is not None and hi < lo:219 lo, hi = hi, lo220 return (lo, hi, unit)221222223# Contextes où un montant en $ n'est PAS un salaire (financement, dépenses,224# allocations…) — garde-fou de l'extraction depuis la description.225_NOT_SALARY_CONTEXT = re.compile(226 r"financement|funding|amorcage|seed|investisse|invest(?:ment|or)|"227 r"revenu[s]?\b|revenue|chiffre d affaires|budget|remboursement|"228 r"reimburse|expense|allocation|allowance|subvention|credit d impot|"229 r"cotisation|rabais|discount|gift|carte[- ]cadeau|referral (?:bonus|fee)|"230 r"signing bonus|prime (?:a l embauche|de demarrage|de reference)|"231 r"million|milliard")232233234def salary_from_text(text: str) -> tuple[float | None, float | None,235 str | None, str]:236 """Cherche une mention salariale dans un texte libre (description).237238 Découpe en phrases (les points décimaux « 182,500.00 » ne coupent pas),239 ignore les contextes non salariaux (financement, remboursements…), puis240 parse la première phrase plausible. Retourne (min, max, unité, libellé).241 """242 if not text or "$" not in text:243 return (None, None, None, "")244 for sentence in re.split(r"(?<!\d)\.(?!\d)|\n|;", text):245 if "$" not in sentence or not re.search(r"\d", sentence):246 continue247 frag = clean_text(sentence)[:160]248 if _NOT_SALARY_CONTEXT.search(_key(frag)):249 continue250 lo, hi, unit = parse_salary(frag)251 if lo is not None:252 return (lo, hi, unit, frag)253 return (None, None, None, "")254255256# ---------------------------------------------------------------------------257# Dates — ISO 8601, jamais de date inventée258# ---------------------------------------------------------------------------259260_MONTHS = {261 "janvier": 1, "jan": 1, "january": 1,262 "fevrier": 2, "fev": 2, "february": 2, "feb": 2,263 "mars": 3, "mar": 3, "march": 3,264 "avril": 4, "avr": 4, "april": 4, "apr": 4,265 "mai": 5, "may": 5,266 "juin": 6, "june": 6, "jun": 6,267 "juillet": 7, "juil": 7, "july": 7, "jul": 7,268 "aout": 8, "august": 8, "aug": 8,269 "septembre": 9, "sept": 9, "sep": 9, "september": 9,270 "octobre": 10, "oct": 10, "october": 10,271 "novembre": 11, "nov": 11, "november": 11,272 "decembre": 12, "dec": 12, "december": 12,273}274275_REL_RE = re.compile(276 r"(?:il y a|posted)\s+(\d+)\+?\s*(jour|day|semaine|week|mois|month)|"277 r"(\d+)\+?\s*(jour|day|semaine|week|mois|month)s?\s+ago", re.I)278_TODAY_RE = re.compile(r"aujourd'?hui|today|posted today|date du jour", re.I)279_YESTERDAY_RE = re.compile(r"hier|yesterday", re.I)280281282def parse_date(raw, today: _dt.date | None = None) -> str | None:283 """Valeur de date hétéroclite -> ISO « YYYY-MM-DD », ou None.284285 Accepte : ISO (+ horodatages), epoch secondes/millisecondes, formats286 textuels FR/EN (« 1er juillet 2026 », « July 1st, 2026 »), et les dates287 relatives (« il y a 3 jours », « Posted 30+ Days Ago »).288 """289 if raw is None:290 return None291 today = today or _dt.date.today()292293 if isinstance(raw, (int, float)): # epoch (Lever : millisecondes)294 ts = float(raw)295 if ts > 1e12:296 ts /= 1000.0297 if 1e9 <= ts <= 4e9:298 return _dt.date.fromtimestamp(ts).isoformat()299 return None300301 s = clean_text(str(raw))302 if not s:303 return None304 key = _key(s)305306 m = re.search(r"(\d{4})-(\d{2})-(\d{2})", s) # ISO (avec ou sans heure)307 if m:308 try:309 return _dt.date(int(m.group(1)), int(m.group(2)), int(m.group(3))).isoformat()310 except ValueError:311 return None312313 if _TODAY_RE.search(key):314 return today.isoformat()315 if _YESTERDAY_RE.search(key):316 return (today - _dt.timedelta(days=1)).isoformat()317318 m = _REL_RE.search(key)319 if m:320 n = int(m.group(1) or m.group(3))321 unit = (m.group(2) or m.group(4) or "").lower()322 days = n * (7 if unit.startswith(("sem", "week"))323 else 30 if unit.startswith(("moi", "month")) else 1)324 return (today - _dt.timedelta(days=days)).isoformat()325326 # « 1er juillet 2026 » / « July 1st, 2026 » / « déc. 2026 »327 m = re.search(r"(?:(\d{1,2})(?:er|e|st|nd|rd|th)?\s+)?([a-z]{3,9})\.?,?\s+(?:(\d{1,2})(?:er|st|nd|rd|th)?,?\s+)?(\d{4})", key)328 if m:329 mois = _MONTHS.get(m.group(2))330 if mois:331 jour = int(m.group(1) or m.group(3) or 1)332 try:333 return _dt.date(int(m.group(4)), mois, jour).isoformat()334 except ValueError:335 return None336337 m = re.fullmatch(r"(\d{1,2})/(\d{1,2})/(\d{4})", s) # jj/mm/aaaa (usage QC)338 if m:339 d, mo, y = int(m.group(1)), int(m.group(2)), int(m.group(3))340 if mo > 12 and d <= 12: # en fait mm/jj/aaaa341 d, mo = mo, d342 try:343 return _dt.date(y, mo, d).isoformat()344 except ValueError:345 return None346 return None347348349# ---------------------------------------------------------------------------350# Mode de travail / type d'emploi351# ---------------------------------------------------------------------------352353_MODE_RULES = [354 ("teletravail", r"100\s*%\s*(?:teletravail|remote)|full(?:y)?[ -]remote|"355 r"teletravail|travail a distance|remote(?:\b|-first)|a distance"),356 ("hybride", r"hybrid|hybride|flexible?\s*(?:work|travail)"),357 ("presentiel", r"presentiel|sur (?:place|site)|on[- ]?site|in[- ]?(?:office|person)"),358]359360361def parse_work_mode(raw: str) -> str | None:362 key = _key(raw)363 if not key:364 return None365 # « hybride » prime sur les mentions accessoires de télétravail366 if re.search(_MODE_RULES[1][1], key):367 return "hybride"368 for mode, pat in _MODE_RULES:369 if re.search(pat, key):370 return mode371 return None372373374_TYPE_RULES = [375 ("stage", r"\bstage\b|stagiaire|intern(?:ship)?\b|co-?op\b|alternance"),376 ("saisonnier", r"saisonn|seasonal"),377 ("contractuel", r"contrat\b|contract(?:uel|or)?\b|temporaire|temporary|terme|"378 r"fixed[- ]term|duree determinee|pigiste|freelance|consultant"),379 ("temps_partiel", r"temps[- ]partiel|part[- ]?time|partiel\b"),380 ("temps_plein", r"temps[- ]plein|full[- ]?time|permanent|regulier|"381 r"regular\b|duree indeterminee"),382]383384385def parse_employment_type(raw: str) -> str | None:386 key = _key(raw)387 if not key:388 return None389 for typ, pat in _TYPE_RULES:390 if re.search(pat, key):391 return typ392 return None393394395# ---------------------------------------------------------------------------396# Lieu — extraction ville/région + garde-fou « offre au Québec »397# ---------------------------------------------------------------------------398399# Villes québécoises fréquentes dans les libellés d'offres (clé sans accents).400# Sert à la fois au parsing et au filtre is_quebec_location.401_QC_CITIES = {402 "montreal": "Montréal", "quebec": "Québec", "ville de quebec": "Québec",403 "quebec city": "Québec", "laval": "Laval", "gatineau": "Gatineau",404 "longueuil": "Longueuil", "sherbrooke": "Sherbrooke",405 "saguenay": "Saguenay", "chicoutimi": "Saguenay",406 "levis": "Lévis", "trois-rivieres": "Trois-Rivières",407 "trois rivieres": "Trois-Rivières", "terrebonne": "Terrebonne",408 "brossard": "Brossard", "repentigny": "Repentigny",409 "boucherville": "Boucherville", "saint-jerome": "Saint-Jérôme",410 "drummondville": "Drummondville", "saint-jean-sur-richelieu":411 "Saint-Jean-sur-Richelieu", "granby": "Granby", "shawinigan": "Shawinigan",412 "joliette": "Joliette", "victoriaville": "Victoriaville",413 "rimouski": "Rimouski", "rouyn-noranda": "Rouyn-Noranda",414 "baie-comeau": "Baie-Comeau", "sept-iles": "Sept-Îles",415 "fermont": "Fermont",416 "val-d'or": "Val-d'Or", "val d'or": "Val-d'Or", "alma": "Alma",417 "sainte-foy": "Québec", "anjou": "Montréal", "dorval": "Dorval",418 "boisbriand": "Boisbriand", "blainville": "Blainville",419 "mirabel": "Mirabel", "saint-hyacinthe": "Saint-Hyacinthe",420 "beloeil": "Belœil", "chateauguay": "Châteauguay", "magog": "Magog",421 "thetford mines": "Thetford Mines", "saint-georges": "Saint-Georges",422 "riviere-du-loup": "Rivière-du-Loup", "matane": "Matane",423 "sorel-tracy": "Sorel-Tracy", "varennes": "Varennes",424 "vaudreuil-dorion": "Vaudreuil-Dorion", "salaberry-de-valleyfield":425 "Salaberry-de-Valleyfield", "kirkland": "Kirkland",426 "pointe-claire": "Pointe-Claire", "saint-laurent": "Montréal",427 "ville saint-laurent": "Montréal", "verdun": "Montréal",428 "westmount": "Westmount", "candiac": "Candiac", "la prairie": "La Prairie",429 "mont-tremblant": "Mont-Tremblant", "saint-bruno": "Saint-Bruno-de-Montarville",430 "bromont": "Bromont", "cowansville": "Cowansville",431 "saint-augustin-de-desmaures": "Saint-Augustin-de-Desmaures",432 "l'ancienne-lorette": "L'Ancienne-Lorette",433}434435_QC_MARKERS = re.compile(436 r"\bqc\b|\bquebec\b|\bqu[e]bec, canada\b|province de quebec", re.I)437_POSTAL_RE = re.compile(r"\b([GHJ]\d[A-Z])\s*(\d[A-Z]\d)\b", re.I) # G/H/J = Québec438439# Villes canadiennes hors Québec (et grandes villes étrangères) fréquentes440# dans les flux pancanadiens/mondiaux — jamais des villes d'offres441# québécoises : à rejeter lors du parsing de lieu (clés sans accents).442_NON_QC_CITIES = frozenset({443 "toronto", "ottawa", "vancouver", "calgary", "edmonton", "winnipeg",444 "mississauga", "brampton", "hamilton", "kitchener", "waterloo", "halifax",445 "dartmouth", "victoria", "saskatoon", "regina", "st. john's", "st johns",446 "saint john", "fredericton", "moncton", "charlottetown", "london",447 "markham", "vaughan", "richmond hill", "oakville", "burlington", "oshawa",448 "whitby", "ajax", "pickering", "guelph", "kingston", "barrie",449 "kelowna", "kamloops", "nanaimo", "abbotsford", "surrey", "burnaby",450 "coquitlam", "langley", "north york", "scarborough", "etobicoke",451 "north vancouver", "milton", "cambridge", "st. catharines",452 "niagara falls", "thunder bay", "sudbury", "greater sudbury",453 "sault ste. marie", "red deer", "lethbridge", "medicine hat",454 "grande prairie", "fort mcmurray", "yellowknife", "whitehorse", "iqaluit",455 "can", "canada", "ontario", "alberta", "british columbia", "manitoba",456 "saskatchewan", "nova scotia", "new brunswick",457 "new york", "new york city", "san francisco", "boston", "chicago",458 "seattle", "austin", "denver", "los angeles", "miami", "atlanta",459 "dallas", "houston", "philadelphia", "washington", "phoenix", "portland",460 "paris", "londres", "amsterdam", "berlin", "munich", "dublin", "madrid",461 "barcelona", "barcelone", "lisbon", "lisbonne", "sydney", "melbourne",462 "singapore", "singapour", "tokyo", "bangalore", "bengaluru", "mumbai",463 "mexico city", "sao paulo", "bogota", "buenos aires", "las vegas",464 "orlando", "nashville", "macau",465})466467468def canonical_city(raw: str) -> str:469 """Canonicalise un nom de ville (« Montreal » -> « Montréal »,470 « Quebec City » -> « Québec »). Inconnu : retourne le texte nettoyé."""471 s = clean_text(raw)472 if not s:473 return ""474 key = _key(s)475 exact = _QC_CITIES.get(key)476 if exact:477 return exact478 for ck, city in _QC_CITIES.items():479 if re.fullmatch(re.escape(ck), key):480 return city481 return s482483484def parse_location(raw: str) -> dict:485 """Libellé de lieu -> {city, region, postal_code} (champs possiblement vides).486487 Ex. « Montréal, QC, Canada », « Ville de Québec, Québec », « Remote - QC ».488 """489 s = clean_text(raw)490 out = {"city": "", "region": "", "postal_code": ""}491 if not s:492 return out493 m = _POSTAL_RE.search(s)494 if m:495 out["postal_code"] = f"{m.group(1).upper()} {m.group(2).upper()}"496 key = _key(s)497 for ck, city in _QC_CITIES.items():498 if re.search(rf"(?<![a-z]){re.escape(ck)}(?![a-z])", key):499 out["city"] = city500 break501 if _QC_MARKERS.search(key) or out["city"] or (502 out["postal_code"] and out["postal_code"][0] in "GHJ"):503 out["region"] = "Québec"504 if not out["city"]:505 # premier segment avant la virgule, si ça ressemble à un nom de ville :506 # contient des lettres, ≤ 3 mots, pas un mot générique ni un nom de507 # succursale (« Caisse Desjardins de… », « Centre de services… »)508 seg = clean_text(s.split(",")[0])509 seg_key = _key(seg)510 if (seg and len(seg) <= 40 and re.search(r"[a-z]", seg_key)511 and len(seg.split()) <= 3512 and seg_key not in _NON_QC_CITIES513 and not re.search(514 r"remote|teletravail|canada|multiple|various|partout|"515 r"\d+\s+locations?|\d+\s+lieux|caisse|succursale|"516 r"centre de services|siege social", seg_key)):517 out["city"] = seg518 return out519520521# Code de province canadienne ou d'État américain explicitement HORS Québec522# (« Kirkland, WA », « London, ON ») : jamais une offre québécoise, même si la523# ville est homonyme d'une ville du Québec (Kirkland WA ≠ Kirkland QC — bug524# derumarketcatering 2026-08-26 : restaurant de l'État de Washington affiché525# comme Montréal). Codes ambigus avec le français exclus volontairement :526# CA (Canada/Californie), OR (Val-d'Or), LA (La Prairie), DE, IN, ME, MT.527_NON_QC_REGION_RE = re.compile(528 r"[,\s](on|bc|ab|sk|mb|ns|nb|pe|pei|nl|yt|nt|nu|"529 r"wa|ny|tx|fl|il|ma|md|mi|mn|mo|ms|nc|nd|ne|nh|nj|nm|nv|oh|ok|"530 r"pa|ri|sc|sd|tn|ut|va|vt|wi|wv|wy|ak|al|ar|az|co|ct|dc|ga|hi|"531 r"ia|id|ks|ky)\.?(?=$|[,\s])")532533534def is_quebec_location(raw: str) -> bool:535 """Vrai si le libellé pointe vers le Québec (filtre des ATS pancanadiens)."""536 key = _key(clean_text(raw))537 if not key:538 return False539 if key in _NON_QC_CITIES: # libellé = ville canadienne/monde hors QC540 return False541 if _QC_MARKERS.search(key):542 return True543 m = _POSTAL_RE.search(raw)544 if m and m.group(1)[0].upper() in "GHJ":545 return True546 if _NON_QC_REGION_RE.search(key): # « Kirkland, WA » : homonyme hors QC547 return False548 return any(re.search(rf"(?<![a-z]){re.escape(ck)}(?![a-z])", key)549 for ck in _QC_CITIES)550551552# ---------------------------------------------------------------------------553# Catégorisation — taxonomie interne déterministe (mots-clés FR/EN)554# ---------------------------------------------------------------------------555556_CATEGORY_RULES = [557 ("TI", r"developpe|developer|logiciel|software|devops|donnees|data\b|"558 r"informatique|programmeur|programmer|cybersecurit|cloud|fullstack|"559 r"full[- ]stack|backend|frontend|sre\b|qa\b|scrum|infrastructure ti|"560 r"intelligence artificielle|machine learning|\bia\b|\bai\b|analyste ti"),561 ("Santé", r"infirmier|infirmiere|nurse|medecin|pharmac|dentaire|sante\b|"562 r"prepose aux beneficiaires|\bpab\b|physiotherap|ergotherap|"563 r"psycholog|travailleur social|clinique|medical"),564 ("Ingénierie", r"ingenieur|engineer(?!ing manager, software)|genie\b|"565 r"mecanique du batiment|electrique|civil\b|structurel"),566 ("Construction", r"construction|charpentier|menuisier|plombier|electricien|"567 r"contremaitre|chantier|grutier|briqueteur|couvreur|paysagiste"),568 ("Finance", r"comptab|account(?:ant|ing)|finance|financier|paie\b|payroll|audit|"569 r"fiscalite|tresorerie|actuaire|actuarial|credit\b|placement"),570 ("Éducation", r"enseignant|professeur|teacher|educat|tuteur|formateur|"571 r"pedagog|garderie|cpe\b"),572 ("Juridique", r"avocat|juriste|notaire|parajuriste|paralegal|legal counsel|"573 r"conformite|compliance"),574 ("RH", r"ressources humaines|\brh\b|recrut|talent|human resources|\bhr\b|"575 r"acquisition de talents"),576 ("Marketing", r"marketing|communication|contenu|content|marque|brand|"577 r"medias sociaux|social media|seo\b|publicite|graphiste|designer"),578 ("Ventes", r"vente|ventes|sales|representant|account (?:executive|manager)|"579 r"developpement des affaires|business development|conseiller commercial"),580 ("Service à la clientèle", r"service a la clientele|customer (?:service|success|"581 r"support)|centre d'appels|call cent"),582 ("Transport", r"chauffeur|camionneur|driver|livreur|logistique|logistics|"583 r"transport|entrepot|warehouse|cariste|repartiteur"),584 ("Production", r"production|manufactur|usine|operateur|machiniste|soudeur|"585 r"welder|assembleur|journalier|emballage|maintenance industrielle"),586 ("Restauration", r"cuisinier|chef\b|serveur|barista|restauration|plongeur|"587 r"boulanger|patissier|traiteur|banquet"),588 ("Commerce de détail", r"commis|caissier|retail|magasin|boutique|"589 r"marchandiseur|gerant de magasin"),590 ("Administration", r"adjoint|administratif|secretaire|receptionniste|"591 r"coordonnat|commis de bureau|office (?:manager|clerk)"),592]593594595# ---------------------------------------------------------------------------596# Langue de l'offre — heuristique légère par mots-outils (fr | en | bilingue)597# ---------------------------------------------------------------------------598599# Mots-outils très fréquents et quasi exclusifs à chaque langue (sans accents).600_FR_STOPWORDS = re.compile(601 r"\b(?:le|la|les|des|une|et|est|sont|pour|avec|vous|nous|notre|nos|vos|"602 r"dans|chez|aux|du|au|ainsi|plus de|afin|etre|sera|poste|equipe|"603 r"exigences|taches|milieu|travail)\b")604_EN_STOPWORDS = re.compile(605 r"\b(?:the|and|for|with|you|your|we|our|is|are|will|this|that|team|"606 r"work|skills|of|to be|as well|role|responsibilities|requirements|"607 r"experience in|ability)\b")608609610def detect_language(title: str, description: str = "") -> str:611 """Langue du texte de l'offre : « fr », « en », « bilingue », ou "".612613 Comptage de mots-outils sur le début du texte — déterministe, jamais de614 valeur inventée : texte trop court ou ambigu -> "".615 """616 text = _key(f"{title}\n{description or ''}"[:4000])617 if len(text) < 30:618 return ""619 fr = len(_FR_STOPWORDS.findall(text))620 en = len(_EN_STOPWORDS.findall(text))621 total = fr + en622 if total < 5:623 return ""624 # les deux langues nettement présentes -> offre bilingue625 if fr >= 8 and en >= 8 and min(fr, en) / max(fr, en) >= 0.35:626 return "bilingue"627 if fr > en:628 return "fr"629 if en > fr:630 return "en"631 return ""632633634# ---------------------------------------------------------------------------635# Avantages — extraction des blocs « Avantages / Benefits » des descriptions636# ---------------------------------------------------------------------------637638_BENEFITS_HEADING = re.compile(639 r"^\s*(?:les\s+|nos\s+|our\s+|tes\s+|vos\s+)?(?:avantages(?:\s+sociaux|"640 r"\s+offerts|\s+et\s+conditions)?|"641 r"benefits(?:\s+&\s+perks|\s+offered)?|perks(?:\s+(?:and|&)\s+benefits)?|"642 r"ce que (?:nous|l'on|on) (?:t'|te\s+|vous\s+)?offr(?:ons|e)|"643 r"nous (?:t'|te\s+|vous\s+)?offrons|on (?:t'|te\s+|vous\s+)offre|"644 r"what we offer|what'?s in it for you|why join us|why work (?:with|for) us|"645 r"pourquoi (?:nous rejoindre|nous choisir|te joindre a nous|"646 r"vous joindre a nous|travailler (?:chez|avec) nous)|we offer)"647 r"\s*:?\s*$", re.I)648_BENEFIT_LINE_MAX = 120649650651def extract_benefits(description: str) -> list[str]:652 """Liste d'avantages depuis un bloc structuré de la description.653654 Cherche un titre de section « Avantages/Benefits/… » seul sur sa ligne,655 puis prend les lignes courtes qui suivent (puces), en s'arrêtant à la656 première ligne longue ou au prochain titre. Max 12 items — si le bloc ne657 ressemble pas à une liste, on ne retourne rien (pas d'à-peu-près).658 """659 if not description:660 return []661 lines = description.split("\n")662 for i, line in enumerate(lines):663 if not _BENEFITS_HEADING.match(strip_accents(line)):664 continue665 items: list[str] = []666 for nxt in lines[i + 1:]:667 t = clean_text(nxt).lstrip("•-–—*·◦▪ ").strip()668 if not t:669 if items:670 break # fin du bloc (ligne vide après les puces)671 continue672 if len(t) > _BENEFIT_LINE_MAX or _BENEFITS_HEADING.match(673 strip_accents(t)):674 break675 # un « titre » de section suivant (courte ligne sans ponctuation676 # finale, capitalisée) termine aussi le bloc677 if items and len(t.split()) <= 4 and t.endswith(":"):678 break679 items.append(t.rstrip(" ;,.").strip())680 if len(items) >= 12:681 break682 if len(items) >= 2:683 return items684 return []685686687# ---------------------------------------------------------------------------688# Exigences — expérience, scolarité, langues (depuis la description)689# ---------------------------------------------------------------------------690691# Années d'expérience : « 3 à 5 ans d'expérience », « minimum de 5 ans »,692# « 5+ years of experience », « two (2) years of relevant experience »…693_EXP_PATTERNS = [694 # « X à Y ans/years … expérience » (fourchette) — on garde le MIN695 re.compile(r"(\d{1,2})\s*(?:a|-|to)\s*\d{1,2}\s*(?:ans?|years?)"696 r"[^.\n]{0,40}?(?:d )?experience", re.I),697 # « X ans/années/years (+) d'expérience »698 re.compile(r"(\d{1,2})\s*\+?\s*(?:ans?|annees?|years?)"699 r"[^.\n]{0,40}?(?:d )?experience", re.I),700 # « expérience … de X ans » / « experience of X+ years »701 re.compile(r"experience[^.\n]{0,50}?(?:de|of|d au moins|minimum(?: de)?|"702 r"at least)\s*(\d{1,2})\s*\+?\s*(?:ans?|annees?|years?)", re.I),703 # « minimum de X ans » / « at least X years » (sans le mot expérience)704 re.compile(r"(?:minimum(?: de)?|au moins|at least)\s*(\d{1,2})\s*"705 r"(?:ans?|annees?|years?)\b", re.I),706]707708# Scolarité : du plus élevé au moins élevé — on retourne le PLUS BAS exigé709# quand plusieurs sont acceptés (« bac ou maîtrise » -> baccalauréat).710# Les sigles QC (DEP/DEC/AEC/DES) ne comptent que dans un contexte scolaire711# (« dec. » est aussi l'abréviation de décembre).712_EDU_SCHOOL_CONTEXT = re.compile(713 r"diplome|dipl\.|etudes|formation|scolarite|degree|diploma|education|"714 r"detenir|detention|obtenu|completed?\b|graduate", re.I)715_EDU_LEVELS = [ # (niveau canonique, motif, sigle nécessitant le contexte ?)716 ("secondaire", r"diplome d etudes secondaires|\bdes\b|secondaire (?:5|v)\b|"717 r"high school diploma|secondary school diploma", True),718 ("DEP", r"diplome d etudes professionnelles|\bdep\b|"719 r"vocational diploma", True),720 ("AEC", r"attestation d etudes collegiales|\baec\b", True),721 ("DEC", r"diplome d etudes collegiales|\bdec\b|techniques? collegiales?|"722 r"college diploma|cegep", True),723 ("certificat", r"certificat universitaire|university certificate", False),724 ("baccalauréat", r"baccalaureat|bachelor|\bbacc\b|bac universitaire|"725 r"\bbac\b (?:en|in)\b|undergraduate degree|"726 r"b\.?\s?(?:sc|ing|a\.?a|com)\b", False),727 ("maîtrise", r"maitrise|master s degree|masters degree|\bmba\b|"728 r"m\.?\s?sc\.?\b|graduate degree", False),729 ("doctorat", r"doctorat|\bphd\b|ph\.?\s?d\b|doctoral", False),730]731732# Langues exigées : mention explicite d'exigence (pas la langue du TEXTE —733# ça, c'est detect_language). « bilingue », « anglais requis », « fluent in734# English », « maîtrise du français »…735_LANG_BILINGUAL = re.compile(r"bilingu", re.I)736_LANG_REQ_FR = re.compile(737 r"francais[^.\n]{0,30}?(?:requis|exige|obligatoire|essentiel|"738 r"fonctionnel|avance|courant|parle et ecrit|oral et ecrit)|"739 r"(?:maitrise|connaissance|excellente maitrise) (?:de la langue |du )?"740 r"francais|french (?:is )?(?:required|mandatory|essential)|"741 r"fluent in french|fluency in french|french proficiency", re.I)742_LANG_REQ_EN = re.compile(743 r"anglais[^.\n]{0,30}?(?:requis|exige|obligatoire|essentiel|"744 r"fonctionnel|avance|courant|parle et ecrit|oral et ecrit)|"745 r"(?:maitrise|connaissance|excellente maitrise) (?:de la langue |de l )?"746 r"anglais|english (?:is )?(?:required|mandatory|essential)|"747 r"fluent in english|fluency in english|english proficiency", re.I)748749750def extract_requirements(title: str, description: str) -> dict:751 """Exigences structurées depuis le texte de l'offre — clés présentes752 seulement quand l'information est explicite (jamais de valeur inventée) :753754 - ``experience_years`` : années d'expérience minimales exigées (int)755 - ``education`` : plus bas diplôme exigé (secondaire, DEP, AEC,756 DEC, certificat, baccalauréat, maîtrise, doctorat)757 - ``languages`` : langues exigées (["français"], ["anglais"], …)758 """759 out: dict = {}760 text = _key(f"{title or ''}\n{description or ''}"[:8000])761 text = re.sub(r"[’']", " ", text) # « d'expérience » -> « d experience »762 if len(text) < 20:763 return out764765 years: list[int] = []766 for pat in _EXP_PATTERNS:767 for m in pat.finditer(text):768 try:769 n = int(m.group(1))770 except (TypeError, ValueError):771 continue772 if 1 <= n <= 30: # bornes de plausibilité773 years.append(n)774 if years:775 out["experience_years"] = min(years) # l'exigence MINIMALE776777 for level, pat, needs_ctx in _EDU_LEVELS:778 for m in re.finditer(pat, text):779 if needs_ctx:780 window = text[max(0, m.start() - 120):m.end() + 120]781 if not _EDU_SCHOOL_CONTEXT.search(window):782 continue783 out["education"] = level784 break785 if "education" in out:786 break # plus bas niveau exigé trouvé787788 langs: list[str] = []789 if _LANG_BILINGUAL.search(text):790 langs = ["français", "anglais"]791 else:792 if _LANG_REQ_FR.search(text):793 langs.append("français")794 if _LANG_REQ_EN.search(text):795 langs.append("anglais")796 if langs:797 out["languages"] = langs798 return out799800801# ---------------------------------------------------------------------------802# Séniorité — stage | junior | intermediaire | senior | direction803# ---------------------------------------------------------------------------804805_SENIORITY_TITLE = [806 ("stage", r"\bstagiaire\b|\bstage\b|\bintern(?:ship)?\b|\bco-?op\b|"807 r"alternance|etudiant"),808 ("direction", r"directeur|directrice|\bdirector\b|vice[- ]?president|"809 r"\bvp\b|\bpdg\b|\bceo\b|\bcfo\b|\bcto\b|\bcoo\b|"810 r"chef de (?:service|departement|division|la direction)|"811 r"head of|\bdg\b|gestionnaire de (?:service|departement)"),812 ("senior", r"\bsenior\b|\bsr\.?\b|\bprincipal(?:e)?\b|\blead\b|"813 r"\bexpert(?:e)?\b|chef d equipe|team lead|superviseur|"814 r"\bniveau (?:3|iii)\b|\biii\b"),815 ("junior", r"\bjunior\b|\bjr\.?\b|debutant|entry[- ]level|"816 r"\bniveau (?:1|i)\b|premier emploi|releve"),817 ("intermediaire", r"intermediaire|intermediate|\bniveau (?:2|ii)\b|\bii\b"),818]819820# libellés d'expérience des ATS (SmartRecruiters/LinkedIn-style) -> séniorité821_SENIORITY_ATS = [822 ("stage", r"internship|stage"),823 ("direction", r"director|executive|direction"),824 ("senior", r"mid[- ]?senior|senior"),825 ("intermediaire", r"associate|intermediaire|intermediate|mid[- ]?level"),826 ("junior", r"entry|junior|debutant"),827]828829830def parse_seniority(title: str, requirements: dict | None = None,831 employment_type: str | None = None) -> str | None:832 """Niveau de séniorité du poste, ou None si aucun signal explicite.833834 Ordre des signaux : type d'emploi « stage », titre du poste, libellé835 d'expérience fourni par l'ATS, puis années d'expérience exigées.836 """837 if employment_type == "stage":838 return "stage"839 key = _key(title or "")840 if key:841 for level, pat in _SENIORITY_TITLE:842 if re.search(pat, key):843 return level844 req = requirements or {}845 label = _key(str(req.get("experience", "")))846 if label and "not applicable" not in label:847 for level, pat in _SENIORITY_ATS:848 if re.search(pat, label):849 return level850 years = req.get("experience_years")851 if isinstance(years, (int, float)):852 if years <= 2:853 return "junior"854 if years <= 4:855 return "intermediaire"856 return "senior"857 return None858859860# ---------------------------------------------------------------------------861# Titre d'affichage — casse propre, codes de réquisition et suffixes retirés862# ---------------------------------------------------------------------------863864# codes de réquisition : « [R-12345] », « (REQ 2026-42) », « - JR0035678 »…865_REQ_CODE = re.compile(866 # en tête : « 123456 - Titre », « [REQ-1234] Titre » (≥5 chiffres nus pour867 # ne pas manger une année « 2026 - Programme d'été »)868 r"^\s*[\[(]?(?:req(?:uisition)?|jr|job)[\s#:-]*\d{3,10}[\])]?\s*[-–—:|]\s*|"869 r"^\s*[\[(]?\d{5,10}[\])]?\s*[-–—:|]\s*|"870 # en queue : « Titre - R-12345 », « Titre (JOB 004521) »871 r"\s*[-–—|(]\s*(?:req(?:uisition)?|job|poste)?\s*#?\s*(?:[A-Z]{1,4}-?)?\d{4,10}\s*[)\]]?\s*$|"872 # au milieu : « Titre [R-12345] suite »873 r"\s*[\[(](?:R|REQ|JR|JOB)[-_ ]?\d{3,10}[\])]\s*", re.I)874875# petits mots gardés en minuscules lors de la remise en casse d'un titre876# tout-majuscules ; sigles usuels gardés en majuscules877_TITLE_SMALL = {"de", "du", "des", "la", "le", "les", "et", "en", "à", "a",878 "au", "aux", "d'", "l'", "of", "the", "and", "in", "for",879 "to", "or", "ou", "un", "une", "sur", "pour"}880_TITLE_ACRONYMS = {"rh", "ti", "it", "qa", "qc", "pab", "cpa", "cfa", "erp",881 "sap", "crm", "sst", "cnc", "hvac", "rpa", "bi", "ia",882 "ai", "vp", "pdg", "dg"}883884885def _smart_case(title: str) -> str:886 """Titre TOUT EN MAJUSCULES -> casse de phrase lisible (sigles préservés)."""887 words = title.lower().split()888 out = []889 for i, w in enumerate(words):890 base = w.strip("()[],.;:/")891 if base in _TITLE_ACRONYMS:892 out.append(w.replace(base, base.upper()))893 elif i > 0 and base in _TITLE_SMALL:894 out.append(w)895 else:896 out.append(w[:1].upper() + w[1:])897 return " ".join(out)898899900def clean_title(title: str, city: str = "") -> str:901 """Titre d'affichage : codes de réquisition retirés, suffixe « - <ville> »902 redondant retiré, casse corrigée si tout-majuscules. Le titre SOURCE n'est903 jamais modifié — ceci alimente une colonne d'affichage distincte."""904 t = clean_text(title)905 if not t:906 return ""907 prev = None908 while prev != t: # les codes peuvent être empilés909 prev = t910 t = _REQ_CODE.sub(" ", t).strip(" -–—|:")911 t = clean_text(t)912 # suffixe « - Montréal » / « (Montréal, QC) » identique à la ville de913 # l'offre : repéré sans accents, coupé sur le titre original914 if city:915 ck = re.escape(strip_accents(city.lower()))916 m = re.search(917 rf"\s*[-–—|,(]\s*(?:ville de\s+)?{ck}(?:\s*,\s*(?:qc|quebec))?\s*\)?\s*$",918 strip_accents(t.lower()))919 if m and m.start() > 0:920 t = clean_text(t[:m.start()]).strip(" -–—|,(")921 if len(t) > 8 and t == t.upper() and t != t.lower():922 t = _smart_case(t)923 return t or clean_text(title)924925926def categorize(title: str, description: str = "") -> str:927 """Titre -> catégorie interne (repli : début de description), ou "".928929 Le titre est essayé SEUL d'abord : la description commence souvent par le930 boilerplate de l'entreprise (« leader du manufacturier… ») qui fausserait931 la catégorie du poste.932 """933 for texte in (title, description[:300]):934 key = _key(texte or "")935 if not key.strip():936 continue937 for cat, pat in _CATEGORY_RULES:938 if re.search(pat, key):939 return cat940 return ""941