تطبيع الأسماء والنصوص العربيةArabic name and text normalization

دالة واحدة مشتركة تحول الاسم أو النص إلى صيغة بحث موحدة: إزالة التشكيل والتطويل، توحيد الألف والياء والتاء المربوطة والهمزات، دمج «عبد»، توحيد «بن/ابن» وإزالة الألقاب ولواحق الشركات. النص الأصلي يُحفظ دائمًا.

الميزات التي تستخدمها: B02 الموكّلون والأطراف والعلاقات، B16 فحص تعارض المصالح، B29 المساعد القانوني (RAG)، B15 مكتبة الأنظمة واللوائح بإصداراتها

1الغرض والمصطلحات القانونية المرتبطة

الاسم الواحد يُكتب بصيغ كثيرة؛ بلا تطبيع يفشل البحث والتعارض والاستشهاد.

2المدخلات وأنواعها ومصادرها

نص عربي (قد يحوي أرقامًا عربية وتشكيلًا).

3المخرجات والحالات

نص موحد للبحث فقط. لا يُستخدم للعرض (دليل المساعد القانوني ص16).

4خطوات المعالجة بالتسلسل

1. أرقام ٠–٩ ← 0–9.
2. إزالة التشكيل والتطويل.
3. أ إ آ ٱ ← ا؛ ى ← ي؛ ة ← ه؛ ؤ ← و؛ ئ ← ي.
4. دمج «عبد ال…» ← «عبدال…».
5. توحيد «ابن» ← «بن» ثم حذفها من سلسلة الاسم للمقارنة.
6. حذف الألقاب (الشيخ، الدكتور…) ولواحق الشركات (شركة، مؤسسة، المحدودة، للتجارة…).
7. ضغط المسافات.

5الشروط والفروع والاستثناءات

قوائم الألقاب واللواحق قابلة للتعديل. للأنظمة: لا حذف للألقاب؛ تطبيع الحروف فقط.

6Pseudocode كامل

function normalize(s, mode="name"):
    s = translate_digits(s)
    s = remove(s, DIACRITICS + TATWEEL)
    s = replace(s, {أ,إ,آ,ٱ}->ا, ى->ي, ة->ه, ؤ->و, ئ->ي)
    s = regex_replace(s, "عبد\s+ال", "عبدال")
    if mode == "name":
        s = regex_replace(s, "\bابن\b", "بن")
        tokens = [t for t in split(s) if t not in TITLES and t != "بن"]
        tokens = [t for t in tokens if t not in COMPANY_SUFFIXES]
        s = join(tokens)
    return collapse_spaces(s).strip()

7مثال اصطناعي خطوة بخطوة

8حالات الفشل والتعامل معها

نص فارغ ← فارغ. أحرف غير عربية ← تبقى.

9منع التكرار والتزامن

لا ينطبق.

10الصلاحيات والتدقيق والأمن

لا ينطبق.

11اختبارات الوحدات والتكامل والقبول

12ما هو قاعدة تقنية وما هو قرار قانوني