supersam/anonymize_xml.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Скрипт для анонимизации персональных данных в XML-файле.
Заменяет ФИО и телефоны на сгенерированные, сохраняя соответствие дублей.

Использование:
    python3 anonymize_xml.py <входной_xml> [выходной_xml]
"""

import sys
import random
import xml.etree.ElementTree as ET
from pathlib import Path

# --- Генераторы фейковых данных ---

MALE_SURNAMES = [
    "Иванов",
    "Смирнов",
    "Кузнецов",
    "Попов",
    "Васильев",
    "Петров",
    "Соколов",
    "Михайлов",
    "Новиков",
    "Федоров",
    "Морозов",
    "Волков",
    "Алексеев",
    "Лебедев",
    "Семенов",
    "Егоров",
    "Павлов",
    "Козлов",
    "Степанов",
    "Николаев",
    "Орлов",
    "Андреев",
    "Макаров",
    "Зайцев",
    "Соловьев",
    "Борисов",
    "Яковлев",
    "Григорьев",
    "Романов",
    "Воробьев",
    "Антонов",
    "Захаров",
    "Максимов",
    "Фролов",
    "Дмитриев",
    "Калинин",
    "Беляев",
    "Гусев",
    "Назаров",
    "Карпов",
    "Афанасьев",
    "Тихонов",
    "Марков",
    "Комаров",
    "Шестаков",
    "Артемьев",
    "Кукушкин",
    "Плотников",
    "Дорофеев",
]

FEMALE_SURNAMES = [
    "Иванова",
    "Смирнова",
    "Кузнецова",
    "Попова",
    "Васильева",
    "Петрова",
    "Соколова",
    "Михайлова",
    "Новикова",
    "Федорова",
    "Морозова",
    "Волкова",
    "Алексеева",
    "Лебедева",
    "Семенова",
    "Егорова",
    "Павлова",
    "Козлова",
    "Степанова",
    "Николаева",
    "Орлова",
    "Андреева",
    "Макарова",
    "Зайцева",
    "Соловьева",
    "Борисова",
    "Яковлева",
    "Григорьева",
    "Романова",
    "Воробьева",
    "Атонова",
    "Захарова",
    "Максимова",
    "Фролова",
    "Дмитриева",
    "Калинина",
    "Беляева",
    "Гусева",
    "Назарова",
    "Карпова",
    "Афанасьева",
    "Тихонова",
    "Маркова",
    "Комарова",
    "Шестакова",
    "Артемьева",
    "Кукушкина",
    "Плотникова",
    "Дорофеева",
]

MALE_NAMES = [
    "Александр",
    "Дмитрий",
    "Максим",
    "Сергей",
    "Андрей",
    "Алексей",
    "Артем",
    "Илья",
    "Кирилл",
    "Михаил",
    "Никита",
    "Матвей",
    "Роман",
    "Егор",
    "Арсений",
    "Иван",
    "Денис",
    "Евгений",
    "Даниил",
    "Тимофей",
    "Владимир",
    "Павел",
    "Руслан",
    "Марк",
    "Константин",
    "Тимур",
    "Олег",
    "Ярослав",
    "Степан",
    "Глеб",
    "Николай",
    "Петр",
    "Виктор",
    "Семен",
    "Леонид",
    "Григорий",
    "Богдан",
    "Захар",
    "Тарас",
    "Федор",
]

FEMALE_NAMES = [
    "Анна",
    "Мария",
    "Елена",
    "Алиса",
    "Виктория",
    "Полина",
    "Александра",
    "Елизавета",
    "Дарья",
    "Анастасия",
    "Ксения",
    "Валерия",
    "Варвара",
    "Вероника",
    "София",
    "Арина",
    "Марина",
    "Юлия",
    "Татьяна",
    "Наталья",
    "Ольга",
    "Светлана",
    "Ирина",
    "Екатерина",
    "Оксана",
    "Алина",
    "Кристина",
    "Людмила",
    "Галина",
    "Надежда",
    "Любовь",
    "Маргарита",
    "Софья",
    "Яна",
    "Диана",
    "Алла",
    "Инна",
    "Эмилия",
    "Лариса",
    "Злата",
]

MALE_PATRONYMICS = [
    "Александрович",
    "Дмитриевич",
    "Максимович",
    "Сергеевич",
    "Андреевич",
    "Алексеевич",
    "Артемович",
    "Ильич",
    "Кириллович",
    "Михайлович",
    "Никитич",
    "Матвеевич",
    "Романович",
    "Егорович",
    "Арсеньевич",
    "Иванович",
    "Денисович",
    "Евгеньевич",
    "Даниилович",
    "Тимофеевич",
    "Владимирович",
    "Павлович",
    "Константинович",
    "Тимурович",
    "Олегович",
    "Ярославович",
    "Степанович",
    "Глебович",
    "Николаевич",
    "Петрович",
    "Викторович",
    "Семенович",
    "Леонидович",
    "Григорьевич",
    "Богданович",
    "Захарович",
    "Тарасович",
    "Федорович",
]

FEMALE_PATRONYMICS = [
    "Александровна",
    "Дмитриевна",
    "Максимовна",
    "Сергеевна",
    "Андреевна",
    "Алексеевна",
    "Артемовна",
    "Ильинична",
    "Кирилловна",
    "Михайловна",
    "Никитична",
    "Матвеевна",
    "Романовна",
    "Егоровна",
    "Арсеньевна",
    "Ивановна",
    "Денисовна",
    "Евгеньевна",
    "Данииловна",
    "Тимофеевна",
    "Владимировна",
    "Павловна",
    "Константиновна",
    "Тимуровна",
    "Олеговна",
    "Ярославовна",
    "Степановна",
    "Глебовна",
    "Николаевна",
    "Петровна",
    "Викторовна",
    "Семеновна",
    "Леонидовна",
    "Григорьевна",
    "Богдановна",
    "Захаровна",
    "Тарасовна",
    "Федоровна",
]


def generate_fake_fio():
    """Генерирует случайное русское ФИО с инициалами или полным отчеством."""
    if random.choice([True, False]):
        # Полное ФИО
        surname = random.choice(MALE_SURNAMES + FEMALE_SURNAMES)
        # Попытка согласовать род фамилии и имя/отчество
        if surname.endswith("а") and not surname.endswith(
            ("ина", "ова", "ева", "ына", "ая")
        ):
            # Может быть мужская фамилия типа Буря, но проще — выбираем случайно
            is_female = random.choice([True, False])
        else:
            is_female = surname.endswith(
                ("ина", "ова", "ева", "ына", "ая", "ска", "цка", "ёва")
            )

        if is_female:
            name = random.choice(FEMALE_NAMES)
            patronymic = random.choice(FEMALE_PATRONYMICS)
        else:
            name = random.choice(MALE_NAMES)
            patronymic = random.choice(MALE_PATRONYMICS)
        return f"{surname} {name} {patronymic}"
    else:
        # Фамилия с инициалами
        surname = random.choice(MALE_SURNAMES + FEMALE_SURNAMES)
        is_female = surname.endswith(
            ("ина", "ова", "ева", "ына", "ая", "ска", "цка", "ёва")
        )
        if is_female:
            name_initial = random.choice(FEMALE_NAMES)[0]
            patronymic_initial = random.choice(FEMALE_PATRONYMICS)[0]
        else:
            name_initial = random.choice(MALE_NAMES)[0]
            patronymic_initial = random.choice(MALE_PATRONYMICS)[0]
        return f"{surname} {name_initial}.{patronymic_initial}."


def generate_fake_phone():
    """Генерирует случайный российский мобильный номер (10 цифр, начинается с 9)."""
    return f"9{random.randint(100000000, 999999999)}"


def anonymize_xml(input_path: str, output_path: str = None):
    input_file = Path(input_path)
    if not input_file.exists():
        print(f"Ошибка: файл не найден: {input_path}")
        sys.exit(1)

    # Определяем выходной путь
    if output_path is None:
        output_file = input_file.with_suffix(".anonymized.xml")
    else:
        output_file = Path(output_path)

    # Читаем исходный файл
    # Пробуем cp1251 (WINDOWS-1251), если ошибка — utf-8
    raw_bytes = input_file.read_bytes()
    try:
        text = raw_bytes.decode("cp1251")
    except UnicodeDecodeError:
        text = raw_bytes.decode("utf-8", errors="replace")

    # Парсим XML
    try:
        root = ET.fromstring(text)
    except ET.ParseError as e:
        print(f"Ошибка парсинга XML: {e}")
        sys.exit(1)

    # Собираем уникальные значения
    fio_map = {}
    tel_map = {}
    fio_values = set()
    tel_values = set()

    for account in root.findall("Account"):
        fio = account.get("fio")
        tel = account.get("tel")
        if fio:
            fio_values.add(fio)
        if tel:
            tel_values.add(tel)

    # Генерируем маппинги
    random.seed(42)  # Для воспроизводимости (можно убрать или изменить)
    for fio in sorted(fio_values):
        fio_map[fio] = generate_fake_fio()
    for tel in sorted(tel_values):
        tel_map[tel] = generate_fake_phone()

    # Заменяем в дереве
    for account in root.findall("Account"):
        original_fio = account.get("fio")
        original_tel = account.get("tel")
        if original_fio and original_fio in fio_map:
            account.set("fio", fio_map[original_fio])
        if original_tel and original_tel in tel_map:
            account.set("tel", tel_map[original_tel])

    # Сохраняем результат
    # Используем собственную сериализацию для сохранения формата
    # ElementTree.write может слегка изменять формат, поэтому используем tostring
    tree = ET.ElementTree(root)
    # Добавляем XML declaration
    xml_bytes = ET.tostring(root, encoding="unicode")
    result = f'<?xml version="1.0" encoding="UTF-8"?>\n{xml_bytes}'

    output_file.write_text(result, encoding="utf-8")
    print(f"Готово! Результат сохранён в: {output_file.resolve()}")
    print(f"  Уникальных ФИО заменено: {len(fio_map)}")
    print(f"  Уникальных телефонов заменено: {len(tel_map)}")

    # Печатаем часть маппинга для информации
    print("\nПримеры замен (первые 10):")
    count = 0
    for k, v in fio_map.items():
        if count >= 10:
            break
        tel_k = list(tel_map.keys())[count] if count < len(tel_map) else None
        tel_v = tel_map[tel_k] if tel_k else ""
        print(f"  ФИО: '{k}' -> '{v}'")
        if tel_k:
            print(f"  Тел: '{tel_k}' -> '{tel_v}'")
        count += 1


if __name__ == "__main__":
    if len(sys.argv) < 2:
        script_name = Path(sys.argv[0]).name
        print(f"Использование: python3 {script_name} <входной_xml> [выходной_xml]")
        print(f"Пример: python3 {script_name} data.xml data_anon.xml")
        sys.exit(1)

    input_path = sys.argv[1]
    output_path = sys.argv[2] if len(sys.argv) > 2 else None
    anonymize_xml(input_path, output_path)