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 : 2026-10-0610# =============================================================================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 # « Sun Oct 04 02:00:00 UTC 2026 » — java.util.Date.toString(), émis par327 # les meta itemprop="datePosted" des sites SuccessFactors CSB328 m = re.search(r"\b([a-z]{3,9})\s+(\d{1,2})\s+\d{1,2}:\d{2}:\d{2}\s+"329 r"[a-z]{1,5}\s+(\d{4})", key)330 if m:331 mois = _MONTHS.get(m.group(1))332 if mois:333 try:334 return _dt.date(int(m.group(3)), mois,335 int(m.group(2))).isoformat()336 except ValueError:337 return None338339 # « 1er juillet 2026 » / « July 1st, 2026 » / « déc. 2026 »340 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)341 if m:342 mois = _MONTHS.get(m.group(2))343 if mois:344 jour = int(m.group(1) or m.group(3) or 1)345 try:346 return _dt.date(int(m.group(4)), mois, jour).isoformat()347 except ValueError:348 return None349350 m = re.fullmatch(r"(\d{1,2})/(\d{1,2})/(\d{4})", s) # jj/mm/aaaa (usage QC)351 if m:352 d, mo, y = int(m.group(1)), int(m.group(2)), int(m.group(3))353 if mo > 12 and d <= 12: # en fait mm/jj/aaaa354 d, mo = mo, d355 try:356 return _dt.date(y, mo, d).isoformat()357 except ValueError:358 return None359 return None360361362# ---------------------------------------------------------------------------363# Mode de travail / type d'emploi364# ---------------------------------------------------------------------------365366_MODE_RULES = [367 ("teletravail", r"100\s*%\s*(?:teletravail|remote)|full(?:y)?[ -]remote|"368 r"teletravail|travail a distance|remote(?:\b|-first)|a distance"),369 ("hybride", r"hybrid|hybride|flexible?\s*(?:work|travail)"),370 ("presentiel", r"presentiel|sur (?:place|site)|on[- ]?site|in[- ]?(?:office|person)"),371]372373374def parse_work_mode(raw: str) -> str | None:375 key = _key(raw)376 if not key:377 return None378 # « hybride » prime sur les mentions accessoires de télétravail379 if re.search(_MODE_RULES[1][1], key):380 return "hybride"381 for mode, pat in _MODE_RULES:382 if re.search(pat, key):383 return mode384 return None385386387_TYPE_RULES = [388 ("stage", r"\bstage\b|stagiaire|intern(?:ship)?\b|co-?op\b|alternance"),389 ("saisonnier", r"saisonn|seasonal"),390 ("contractuel", r"contrat\b|contract(?:uel|or)?\b|temporaire|temporary|terme|"391 r"fixed[- ]term|duree determinee|pigiste|freelance|consultant"),392 ("temps_partiel", r"temps[- ]partiel|part[- ]?time|partiel\b"),393 ("temps_plein", r"temps[- ]plein|full[- ]?time|permanent|regulier|"394 r"regular\b|duree indeterminee"),395]396397398def parse_employment_type(raw: str) -> str | None:399 key = _key(raw)400 if not key:401 return None402 for typ, pat in _TYPE_RULES:403 if re.search(pat, key):404 return typ405 return None406407408# ---------------------------------------------------------------------------409# Lieu — extraction ville/région + garde-fou « offre au Québec »410# ---------------------------------------------------------------------------411412# Villes québécoises fréquentes dans les libellés d'offres (clé sans accents).413# Sert à la fois au parsing et au filtre is_quebec_location.414_QC_CITIES = {415 "montreal": "Montréal", "quebec": "Québec", "ville de quebec": "Québec",416 "quebec city": "Québec", "laval": "Laval", "gatineau": "Gatineau",417 "longueuil": "Longueuil", "sherbrooke": "Sherbrooke",418 "saguenay": "Saguenay", "chicoutimi": "Saguenay",419 "levis": "Lévis", "trois-rivieres": "Trois-Rivières",420 "trois rivieres": "Trois-Rivières", "terrebonne": "Terrebonne",421 "brossard": "Brossard", "repentigny": "Repentigny",422 "boucherville": "Boucherville", "saint-jerome": "Saint-Jérôme",423 "drummondville": "Drummondville", "saint-jean-sur-richelieu":424 "Saint-Jean-sur-Richelieu", "granby": "Granby", "shawinigan": "Shawinigan",425 "joliette": "Joliette", "victoriaville": "Victoriaville",426 "rimouski": "Rimouski", "rouyn-noranda": "Rouyn-Noranda",427 "baie-comeau": "Baie-Comeau", "sept-iles": "Sept-Îles",428 "fermont": "Fermont",429 "val-d'or": "Val-d'Or", "val d'or": "Val-d'Or", "alma": "Alma",430 "sainte-foy": "Québec", "anjou": "Montréal", "dorval": "Dorval",431 "lachine": "Lachine",432 "boisbriand": "Boisbriand", "blainville": "Blainville",433 "mirabel": "Mirabel", "saint-hyacinthe": "Saint-Hyacinthe",434 "beloeil": "Belœil", "chateauguay": "Châteauguay", "magog": "Magog",435 "thetford mines": "Thetford Mines", "saint-georges": "Saint-Georges",436 "riviere-du-loup": "Rivière-du-Loup", "matane": "Matane",437 "sorel-tracy": "Sorel-Tracy", "varennes": "Varennes",438 "vaudreuil-dorion": "Vaudreuil-Dorion", "salaberry-de-valleyfield":439 "Salaberry-de-Valleyfield", "kirkland": "Kirkland",440 "pointe-claire": "Pointe-Claire", "saint-laurent": "Montréal",441 "ville saint-laurent": "Montréal", "verdun": "Montréal",442 "westmount": "Westmount", "candiac": "Candiac", "la prairie": "La Prairie",443 "mont-tremblant": "Mont-Tremblant", "saint-bruno": "Saint-Bruno-de-Montarville",444 "bromont": "Bromont", "cowansville": "Cowansville",445 "rougemont": "Rougemont",446 "saint-augustin-de-desmaures": "Saint-Augustin-de-Desmaures",447 "l'ancienne-lorette": "L'Ancienne-Lorette",448}449450_QC_MARKERS = re.compile(451 r"\bqc\b|\bquebec\b|\bqu[e]bec, canada\b|province de quebec", re.I)452_POSTAL_RE = re.compile(r"\b([GHJ]\d[A-Z])\s*(\d[A-Z]\d)\b", re.I) # G/H/J = Québec453454# « Quebec » suivi d'un type de voie anglophone = nom de RUE, pas la province455# (« 3401 Quebec St. Suite 8000, Denver, CO » — bug solmentalhealth 2026-09-14 :456# offre de Denver publiée comme Québec/Capitale-Nationale). Neutralisé avant457# tout matching de marqueur/ville. Le (?!-) protège les abréviations de saints458# des libellés québécois légitimes (« CAN Quebec St-Hubert », « Ste-Thérèse »).459_QUEBEC_STREET_RE = re.compile(460 r"\bquebec\s+(?:st|street|ave|avenue|blvd|boulevard|rd|road|dr|drive|"461 r"ct|court|ln|lane|way|pl|place|hwy|highway|pkwy|parkway)\b\.?(?!-)")462463# Villes canadiennes hors Québec (et grandes villes étrangères) fréquentes464# dans les flux pancanadiens/mondiaux — jamais des villes d'offres465# québécoises : à rejeter lors du parsing de lieu (clés sans accents).466_NON_QC_CITIES = frozenset({467 "toronto", "ottawa", "vancouver", "calgary", "edmonton", "winnipeg",468 "mississauga", "brampton", "hamilton", "kitchener", "waterloo", "halifax",469 "dartmouth", "victoria", "saskatoon", "regina", "st. john's", "st johns",470 "saint john", "fredericton", "moncton", "charlottetown", "london",471 "markham", "vaughan", "richmond hill", "oakville", "burlington", "oshawa",472 "whitby", "ajax", "pickering", "guelph", "kingston", "barrie",473 "kelowna", "kamloops", "nanaimo", "abbotsford", "surrey", "burnaby",474 "coquitlam", "langley", "north york", "scarborough", "etobicoke",475 "north vancouver", "milton", "cambridge", "st. catharines",476 "niagara falls", "thunder bay", "sudbury", "greater sudbury",477 "sault ste. marie", "red deer", "lethbridge", "medicine hat",478 "grande prairie", "fort mcmurray", "yellowknife", "whitehorse", "iqaluit",479 "can", "canada", "ontario", "alberta", "british columbia", "manitoba",480 "saskatchewan", "nova scotia", "new brunswick",481 "new york", "new york city", "san francisco", "boston", "chicago",482 "seattle", "austin", "denver", "los angeles", "miami", "atlanta",483 "dallas", "houston", "philadelphia", "washington", "phoenix", "portland",484 "paris", "londres", "amsterdam", "berlin", "munich", "dublin", "madrid",485 "barcelona", "barcelone", "lisbon", "lisbonne", "sydney", "melbourne",486 "singapore", "singapour", "tokyo", "bangalore", "bengaluru", "mumbai",487 "mexico city", "sao paulo", "bogota", "buenos aires", "las vegas",488 "orlando", "nashville", "macau",489})490491492def canonical_city(raw: str) -> str:493 """Canonicalise un nom de ville (« Montreal » -> « Montréal »,494 « Quebec City » -> « Québec »). Inconnu : retourne le texte nettoyé."""495 s = clean_text(raw)496 if not s:497 return ""498 key = _key(s)499 exact = _QC_CITIES.get(key)500 if exact:501 return exact502 for ck, city in _QC_CITIES.items():503 if re.fullmatch(re.escape(ck), key):504 return city505 return s506507508def parse_location(raw: str) -> dict:509 """Libellé de lieu -> {city, region, postal_code} (champs possiblement vides).510511 Ex. « Montréal, QC, Canada », « Ville de Québec, Québec », « Remote - QC ».512 """513 s = clean_text(raw)514 out = {"city": "", "region": "", "postal_code": ""}515 if not s:516 return out517 m = _POSTAL_RE.search(s)518 if m:519 out["postal_code"] = f"{m.group(1).upper()} {m.group(2).upper()}"520 key = _QUEBEC_STREET_RE.sub(" ", _key(s))521 for ck, city in _QC_CITIES.items():522 if re.search(rf"(?<![a-z]){re.escape(ck)}(?![a-z])", key):523 out["city"] = city524 break525 if _QC_MARKERS.search(key) or out["city"] or (526 out["postal_code"] and out["postal_code"][0] in "GHJ"):527 out["region"] = "Québec"528 if not out["city"]:529 # premier segment avant la virgule, si ça ressemble à un nom de ville :530 # contient des lettres, ≤ 3 mots, pas un mot générique ni un nom de531 # succursale (« Caisse Desjardins de… », « Centre de services… »)532 seg = clean_text(s.split(",")[0])533 seg_key = _key(seg)534 if (seg and len(seg) <= 40 and re.search(r"[a-z]", seg_key)535 and len(seg.split()) <= 3536 and seg_key not in _NON_QC_CITIES537 and not re.search(538 r"remote|teletravail|canada|multiple|various|partout|"539 r"\d+\s+locations?|\d+\s+lieux|caisse|succursale|"540 r"centre de services|siege social", seg_key)):541 out["city"] = seg542 return out543544545# Code de province canadienne ou d'État américain explicitement HORS Québec546# (« Kirkland, WA », « London, ON ») : jamais une offre québécoise, même si la547# ville est homonyme d'une ville du Québec (Kirkland WA ≠ Kirkland QC — bug548# derumarketcatering 2026-08-26 : restaurant de l'État de Washington affiché549# comme Montréal). Codes ambigus avec le français exclus volontairement :550# CA (Canada/Californie), OR (Val-d'Or), LA (La Prairie), DE, IN, ME, MT.551_NON_QC_REGION_RE = re.compile(552 r"[,\s](on|bc|ab|sk|mb|ns|nb|pe|pei|nl|yt|nt|nu|"553 r"wa|ny|tx|fl|il|ma|md|mi|mn|mo|ms|nc|nd|ne|nh|nj|nm|nv|oh|ok|"554 r"pa|ri|sc|sd|tn|ut|va|vt|wi|wv|wy|ak|al|ar|az|co|ct|dc|ga|hi|"555 r"ia|id|ks|ky)\.?(?=$|[,\s])")556557558def is_quebec_location(raw: str) -> bool:559 """Vrai si le libellé pointe vers le Québec (filtre des ATS pancanadiens)."""560 key = _QUEBEC_STREET_RE.sub(" ", _key(clean_text(raw)))561 if not key:562 return False563 if key in _NON_QC_CITIES: # libellé = ville canadienne/monde hors QC564 return False565 if _QC_MARKERS.search(key):566 return True567 m = _POSTAL_RE.search(raw)568 if m and m.group(1)[0].upper() in "GHJ":569 return True570 if _NON_QC_REGION_RE.search(key): # « Kirkland, WA » : homonyme hors QC571 return False572 return any(re.search(rf"(?<![a-z]){re.escape(ck)}(?![a-z])", key)573 for ck in _QC_CITIES)574575576# ---------------------------------------------------------------------------577# Catégorisation — taxonomie interne déterministe (mots-clés FR/EN)578# ---------------------------------------------------------------------------579580_CATEGORY_RULES = [581 ("TI", r"developpe|developer|logiciel|software|devops|donnees|data\b|"582 r"informatique|programmeur|programmer|cybersecurit|cloud|fullstack|"583 r"full[- ]stack|backend|frontend|sre\b|qa\b|scrum|infrastructure ti|"584 r"intelligence artificielle|machine learning|\bia\b|\bai\b|analyste ti"),585 ("Santé", r"infirmier|infirmiere|nurse|medecin|pharmac|dentaire|sante\b|"586 r"prepose aux beneficiaires|\bpab\b|physiotherap|ergotherap|"587 r"psycholog|travailleur social|clinique|medical"),588 ("Ingénierie", r"ingenieur|engineer(?!ing manager, software)|genie\b|"589 r"mecanique du batiment|electrique|civil\b|structurel"),590 ("Construction", r"construction|charpentier|menuisier|plombier|electricien|"591 r"contremaitre|chantier|grutier|briqueteur|couvreur|paysagiste"),592 ("Finance", r"comptab|account(?:ant|ing)|finance|financier|paie\b|payroll|audit|"593 r"fiscalite|tresorerie|actuaire|actuarial|credit\b|placement"),594 ("Éducation", r"enseignant|professeur|teacher|educat|tuteur|formateur|"595 r"pedagog|garderie|cpe\b"),596 ("Juridique", r"avocat|juriste|notaire|parajuriste|paralegal|legal counsel|"597 r"conformite|compliance"),598 ("RH", r"ressources humaines|\brh\b|recrut|talent|human resources|\bhr\b|"599 r"acquisition de talents"),600 ("Marketing", r"marketing|communication|contenu|content|marque|brand|"601 r"medias sociaux|social media|seo\b|publicite|graphiste|designer"),602 ("Ventes", r"vente|ventes|sales|representant|account (?:executive|manager)|"603 r"developpement des affaires|business development|conseiller commercial"),604 ("Service à la clientèle", r"service a la clientele|customer (?:service|success|"605 r"support)|centre d'appels|call cent"),606 ("Transport", r"chauffeur|camionneur|driver|livreur|logistique|logistics|"607 r"transport|entrepot|warehouse|cariste|repartiteur"),608 ("Production", r"production|manufactur|usine|operateur|machiniste|soudeur|"609 r"welder|assembleur|journalier|emballage|maintenance industrielle"),610 ("Restauration", r"cuisinier|chef\b|serveur|barista|restauration|plongeur|"611 r"boulanger|patissier|traiteur|banquet"),612 ("Commerce de détail", r"commis|caissier|retail|magasin|boutique|"613 r"marchandiseur|gerant de magasin"),614 ("Administration", r"adjoint|administratif|secretaire|receptionniste|"615 r"coordonnat|commis de bureau|office (?:manager|clerk)"),616]617618619# ---------------------------------------------------------------------------620# Langue de l'offre — heuristique légère par mots-outils (fr | en | bilingue)621# ---------------------------------------------------------------------------622623# Mots-outils très fréquents et quasi exclusifs à chaque langue (sans accents).624_FR_STOPWORDS = re.compile(625 r"\b(?:le|la|les|des|une|et|est|sont|pour|avec|vous|nous|notre|nos|vos|"626 r"dans|chez|aux|du|au|ainsi|plus de|afin|etre|sera|poste|equipe|"627 r"exigences|taches|milieu|travail)\b")628_EN_STOPWORDS = re.compile(629 r"\b(?:the|and|for|with|you|your|we|our|is|are|will|this|that|team|"630 r"work|skills|of|to be|as well|role|responsibilities|requirements|"631 r"experience in|ability)\b")632633634def detect_language(title: str, description: str = "") -> str:635 """Langue du texte de l'offre : « fr », « en », « bilingue », ou "".636637 Comptage de mots-outils sur le début du texte — déterministe, jamais de638 valeur inventée : texte trop court ou ambigu -> "".639 """640 text = _key(f"{title}\n{description or ''}"[:4000])641 if len(text) < 30:642 return ""643 fr = len(_FR_STOPWORDS.findall(text))644 en = len(_EN_STOPWORDS.findall(text))645 total = fr + en646 if total < 5:647 return ""648 # les deux langues nettement présentes -> offre bilingue649 if fr >= 8 and en >= 8 and min(fr, en) / max(fr, en) >= 0.35:650 return "bilingue"651 if fr > en:652 return "fr"653 if en > fr:654 return "en"655 return ""656657658# ---------------------------------------------------------------------------659# Avantages — extraction des blocs « Avantages / Benefits » des descriptions660# ---------------------------------------------------------------------------661662_BENEFITS_HEADING = re.compile(663 r"^\s*(?:les\s+|nos\s+|our\s+|tes\s+|vos\s+)?(?:avantages(?:\s+sociaux|"664 r"\s+offerts|\s+et\s+conditions)?|"665 r"benefits(?:\s+&\s+perks|\s+offered)?|perks(?:\s+(?:and|&)\s+benefits)?|"666 r"ce que (?:nous|l'on|on) (?:t'|te\s+|vous\s+)?offr(?:ons|e)|"667 r"nous (?:t'|te\s+|vous\s+)?offrons|on (?:t'|te\s+|vous\s+)offre|"668 r"what we offer|what'?s in it for you|why join us|why work (?:with|for) us|"669 r"pourquoi (?:nous rejoindre|nous choisir|te joindre a nous|"670 r"vous joindre a nous|travailler (?:chez|avec) nous)|we offer)"671 r"\s*:?\s*$", re.I)672_BENEFIT_LINE_MAX = 120673674675def extract_benefits(description: str) -> list[str]:676 """Liste d'avantages depuis un bloc structuré de la description.677678 Cherche un titre de section « Avantages/Benefits/… » seul sur sa ligne,679 puis prend les lignes courtes qui suivent (puces), en s'arrêtant à la680 première ligne longue ou au prochain titre. Max 12 items — si le bloc ne681 ressemble pas à une liste, on ne retourne rien (pas d'à-peu-près).682 """683 if not description:684 return []685 lines = description.split("\n")686 for i, line in enumerate(lines):687 if not _BENEFITS_HEADING.match(strip_accents(line)):688 continue689 items: list[str] = []690 for nxt in lines[i + 1:]:691 t = clean_text(nxt).lstrip("•-–—*·◦▪ ").strip()692 if not t:693 if items:694 break # fin du bloc (ligne vide après les puces)695 continue696 if len(t) > _BENEFIT_LINE_MAX or _BENEFITS_HEADING.match(697 strip_accents(t)):698 break699 # un « titre » de section suivant (courte ligne sans ponctuation700 # finale, capitalisée) termine aussi le bloc701 if items and len(t.split()) <= 4 and t.endswith(":"):702 break703 items.append(t.rstrip(" ;,.").strip())704 if len(items) >= 12:705 break706 if len(items) >= 2:707 return items708 return []709710711# ---------------------------------------------------------------------------712# Exigences — expérience, scolarité, langues (depuis la description)713# ---------------------------------------------------------------------------714715# Années d'expérience : « 3 à 5 ans d'expérience », « minimum de 5 ans »,716# « 5+ years of experience », « two (2) years of relevant experience »…717_EXP_PATTERNS = [718 # « X à Y ans/years … expérience » (fourchette) — on garde le MIN719 re.compile(r"(\d{1,2})\s*(?:a|-|to)\s*\d{1,2}\s*(?:ans?|years?)"720 r"[^.\n]{0,40}?(?:d )?experience", re.I),721 # « X ans/années/years (+) d'expérience »722 re.compile(r"(\d{1,2})\s*\+?\s*(?:ans?|annees?|years?)"723 r"[^.\n]{0,40}?(?:d )?experience", re.I),724 # « expérience … de X ans » / « experience of X+ years »725 re.compile(r"experience[^.\n]{0,50}?(?:de|of|d au moins|minimum(?: de)?|"726 r"at least)\s*(\d{1,2})\s*\+?\s*(?:ans?|annees?|years?)", re.I),727 # « minimum de X ans » / « at least X years » (sans le mot expérience)728 re.compile(r"(?:minimum(?: de)?|au moins|at least)\s*(\d{1,2})\s*"729 r"(?:ans?|annees?|years?)\b", re.I),730]731732# Scolarité : du plus élevé au moins élevé — on retourne le PLUS BAS exigé733# quand plusieurs sont acceptés (« bac ou maîtrise » -> baccalauréat).734# Les sigles QC (DEP/DEC/AEC/DES) ne comptent que dans un contexte scolaire735# (« dec. » est aussi l'abréviation de décembre).736_EDU_SCHOOL_CONTEXT = re.compile(737 r"diplome|dipl\.|etudes|formation|scolarite|degree|diploma|education|"738 r"detenir|detention|obtenu|completed?\b|graduate", re.I)739_EDU_LEVELS = [ # (niveau canonique, motif, sigle nécessitant le contexte ?)740 ("secondaire", r"diplome d etudes secondaires|\bdes\b|secondaire (?:5|v)\b|"741 r"high school diploma|secondary school diploma", True),742 ("DEP", r"diplome d etudes professionnelles|\bdep\b|"743 r"vocational diploma", True),744 ("AEC", r"attestation d etudes collegiales|\baec\b", True),745 ("DEC", r"diplome d etudes collegiales|\bdec\b|techniques? collegiales?|"746 r"college diploma|cegep", True),747 ("certificat", r"certificat universitaire|university certificate", False),748 ("baccalauréat", r"baccalaureat|bachelor|\bbacc\b|bac universitaire|"749 r"\bbac\b (?:en|in)\b|undergraduate degree|"750 r"b\.?\s?(?:sc|ing|a\.?a|com)\b", False),751 ("maîtrise", r"maitrise|master s degree|masters degree|\bmba\b|"752 r"m\.?\s?sc\.?\b|graduate degree", False),753 ("doctorat", r"doctorat|\bphd\b|ph\.?\s?d\b|doctoral", False),754]755756# Langues exigées : mention explicite d'exigence (pas la langue du TEXTE —757# ça, c'est detect_language). « bilingue », « anglais requis », « fluent in758# English », « maîtrise du français »…759_LANG_BILINGUAL = re.compile(r"bilingu", re.I)760_LANG_REQ_FR = re.compile(761 r"francais[^.\n]{0,30}?(?:requis|exige|obligatoire|essentiel|"762 r"fonctionnel|avance|courant|parle et ecrit|oral et ecrit)|"763 r"(?:maitrise|connaissance|excellente maitrise) (?:de la langue |du )?"764 r"francais|french (?:is )?(?:required|mandatory|essential)|"765 r"fluent in french|fluency in french|french proficiency", re.I)766_LANG_REQ_EN = re.compile(767 r"anglais[^.\n]{0,30}?(?:requis|exige|obligatoire|essentiel|"768 r"fonctionnel|avance|courant|parle et ecrit|oral et ecrit)|"769 r"(?:maitrise|connaissance|excellente maitrise) (?:de la langue |de l )?"770 r"anglais|english (?:is )?(?:required|mandatory|essential)|"771 r"fluent in english|fluency in english|english proficiency", re.I)772773774def extract_requirements(title: str, description: str) -> dict:775 """Exigences structurées depuis le texte de l'offre — clés présentes776 seulement quand l'information est explicite (jamais de valeur inventée) :777778 - ``experience_years`` : années d'expérience minimales exigées (int)779 - ``education`` : plus bas diplôme exigé (secondaire, DEP, AEC,780 DEC, certificat, baccalauréat, maîtrise, doctorat)781 - ``languages`` : langues exigées (["français"], ["anglais"], …)782 """783 out: dict = {}784 text = _key(f"{title or ''}\n{description or ''}"[:8000])785 text = re.sub(r"[’']", " ", text) # « d'expérience » -> « d experience »786 if len(text) < 20:787 return out788789 years: list[int] = []790 for pat in _EXP_PATTERNS:791 for m in pat.finditer(text):792 try:793 n = int(m.group(1))794 except (TypeError, ValueError):795 continue796 if 1 <= n <= 30: # bornes de plausibilité797 years.append(n)798 if years:799 out["experience_years"] = min(years) # l'exigence MINIMALE800801 for level, pat, needs_ctx in _EDU_LEVELS:802 for m in re.finditer(pat, text):803 if needs_ctx:804 window = text[max(0, m.start() - 120):m.end() + 120]805 if not _EDU_SCHOOL_CONTEXT.search(window):806 continue807 out["education"] = level808 break809 if "education" in out:810 break # plus bas niveau exigé trouvé811812 langs: list[str] = []813 if _LANG_BILINGUAL.search(text):814 langs = ["français", "anglais"]815 else:816 if _LANG_REQ_FR.search(text):817 langs.append("français")818 if _LANG_REQ_EN.search(text):819 langs.append("anglais")820 if langs:821 out["languages"] = langs822 return out823824825# ---------------------------------------------------------------------------826# Séniorité — stage | junior | intermediaire | senior | direction827# ---------------------------------------------------------------------------828829_SENIORITY_TITLE = [830 ("stage", r"\bstagiaire\b|\bstage\b|\bintern(?:ship)?\b|\bco-?op\b|"831 r"alternance|etudiant"),832 ("direction", r"directeur|directrice|\bdirector\b|vice[- ]?president|"833 r"\bvp\b|\bpdg\b|\bceo\b|\bcfo\b|\bcto\b|\bcoo\b|"834 r"chef de (?:service|departement|division|la direction)|"835 r"head of|\bdg\b|gestionnaire de (?:service|departement)"),836 ("senior", r"\bsenior\b|\bsr\.?\b|\bprincipal(?:e)?\b|\blead\b|"837 r"\bexpert(?:e)?\b|chef d equipe|team lead|superviseur|"838 r"\bniveau (?:3|iii)\b|\biii\b"),839 ("junior", r"\bjunior\b|\bjr\.?\b|debutant|entry[- ]level|"840 r"\bniveau (?:1|i)\b|premier emploi|releve"),841 ("intermediaire", r"intermediaire|intermediate|\bniveau (?:2|ii)\b|\bii\b"),842]843844# libellés d'expérience des ATS (SmartRecruiters/LinkedIn-style) -> séniorité845_SENIORITY_ATS = [846 ("stage", r"internship|stage"),847 ("direction", r"director|executive|direction"),848 ("senior", r"mid[- ]?senior|senior"),849 ("intermediaire", r"associate|intermediaire|intermediate|mid[- ]?level"),850 ("junior", r"entry|junior|debutant"),851]852853854def parse_seniority(title: str, requirements: dict | None = None,855 employment_type: str | None = None) -> str | None:856 """Niveau de séniorité du poste, ou None si aucun signal explicite.857858 Ordre des signaux : type d'emploi « stage », titre du poste, libellé859 d'expérience fourni par l'ATS, puis années d'expérience exigées.860 """861 if employment_type == "stage":862 return "stage"863 key = _key(title or "")864 if key:865 for level, pat in _SENIORITY_TITLE:866 if re.search(pat, key):867 return level868 req = requirements or {}869 label = _key(str(req.get("experience", "")))870 if label and "not applicable" not in label:871 for level, pat in _SENIORITY_ATS:872 if re.search(pat, label):873 return level874 years = req.get("experience_years")875 if isinstance(years, (int, float)):876 if years <= 2:877 return "junior"878 if years <= 4:879 return "intermediaire"880 return "senior"881 return None882883884# ---------------------------------------------------------------------------885# Titre d'affichage — casse propre, codes de réquisition et suffixes retirés886# ---------------------------------------------------------------------------887888# codes de réquisition : « [R-12345] », « (REQ 2026-42) », « - JR0035678 »…889_REQ_CODE = re.compile(890 # en tête : « 123456 - Titre », « [REQ-1234] Titre » (≥5 chiffres nus pour891 # ne pas manger une année « 2026 - Programme d'été »)892 r"^\s*[\[(]?(?:req(?:uisition)?|jr|job)[\s#:-]*\d{3,10}[\])]?\s*[-–—:|]\s*|"893 r"^\s*[\[(]?\d{5,10}[\])]?\s*[-–—:|]\s*|"894 # en queue : « Titre - R-12345 », « Titre (JOB 004521) »895 r"\s*[-–—|(]\s*(?:req(?:uisition)?|job|poste)?\s*#?\s*(?:[A-Z]{1,4}-?)?\d{4,10}\s*[)\]]?\s*$|"896 # au milieu : « Titre [R-12345] suite »897 r"\s*[\[(](?:R|REQ|JR|JOB)[-_ ]?\d{3,10}[\])]\s*", re.I)898899# petits mots gardés en minuscules lors de la remise en casse d'un titre900# tout-majuscules ; sigles usuels gardés en majuscules901_TITLE_SMALL = {"de", "du", "des", "la", "le", "les", "et", "en", "à", "a",902 "au", "aux", "d'", "l'", "of", "the", "and", "in", "for",903 "to", "or", "ou", "un", "une", "sur", "pour"}904_TITLE_ACRONYMS = {"rh", "ti", "it", "qa", "qc", "pab", "cpa", "cfa", "erp",905 "sap", "crm", "sst", "cnc", "hvac", "rpa", "bi", "ia",906 "ai", "vp", "pdg", "dg"}907908909def _smart_case(title: str) -> str:910 """Titre TOUT EN MAJUSCULES -> casse de phrase lisible (sigles préservés)."""911 words = title.lower().split()912 out = []913 for i, w in enumerate(words):914 base = w.strip("()[],.;:/")915 if base in _TITLE_ACRONYMS:916 out.append(w.replace(base, base.upper()))917 elif i > 0 and base in _TITLE_SMALL:918 out.append(w)919 else:920 out.append(w[:1].upper() + w[1:])921 return " ".join(out)922923924def clean_title(title: str, city: str = "") -> str:925 """Titre d'affichage : codes de réquisition retirés, suffixe « - <ville> »926 redondant retiré, casse corrigée si tout-majuscules. Le titre SOURCE n'est927 jamais modifié — ceci alimente une colonne d'affichage distincte."""928 t = clean_text(title)929 if not t:930 return ""931 prev = None932 while prev != t: # les codes peuvent être empilés933 prev = t934 t = _REQ_CODE.sub(" ", t).strip(" -–—|:")935 t = clean_text(t)936 # suffixe « - Montréal » / « (Montréal, QC) » identique à la ville de937 # l'offre : repéré sans accents, coupé sur le titre original938 if city:939 ck = re.escape(strip_accents(city.lower()))940 m = re.search(941 rf"\s*[-–—|,(]\s*(?:ville de\s+)?{ck}(?:\s*,\s*(?:qc|quebec))?\s*\)?\s*$",942 strip_accents(t.lower()))943 if m and m.start() > 0:944 t = clean_text(t[:m.start()]).strip(" -–—|,(")945 if len(t) > 8 and t == t.upper() and t != t.lower():946 t = _smart_case(t)947 return t or clean_text(title)948949950def categorize(title: str, description: str = "") -> str:951 """Titre -> catégorie interne (repli : début de description), ou "".952953 Le titre est essayé SEUL d'abord : la description commence souvent par le954 boilerplate de l'entreprise (« leader du manufacturier… ») qui fausserait955 la catégorie du poste.956 """957 for texte in (title, description[:300]):958 key = _key(texte or "")959 if not key.strip():960 continue961 for cat, pat in _CATEGORY_RULES:962 if re.search(pat, key):963 return cat964 return ""965