fix: extract address/company from invoice footer dash-format (KONI Accounting style)

VERSION

@@ -1 +1 @@
-2.2.6
+2.2.7

app/emails/backend/router.py

@@ -396,6 +396,35 @@ async def extract_vendor_suggestion(email_id: int):
             return bare
         return raw.strip()[:20]
 
+    # Kendte faktureringsplatforme der sender på vegne af leverandører
+    PLATFORM_DOMAINS = {
+        'e-conomic.com', 'e-conomic.dk', 'dinero.dk', 'billy.dk',
+        'uniconta.com', 'visma.com', 'simplybilling.dk', 'fakturasend.dk',
+        'invoicecloud.com', 'invoiced.com', 'stripe.com', 'paypal.com',
+    }
+
+    # Placeholder-adresser (e-conomic og lignende skabeloner)
+    PLACEHOLDER_ADDRESSES = {
+        'vejnavn 1, 1234 by', 'vejnavn 1,1234 by', 'vejnavn 1',
+        '1234 by', 'adresse 1', 'eksempel 1', 'gadenavn 1',
+    }
+
+    def is_placeholder_cvr(cvr: str) -> bool:
+        """Filtrer åbenlyse placeholder/dummy CVRs"""
+        known_fakes = {
+            '12345678', '87654321', '00000000', '11111111', '22222222',
+            '33333333', '44444444', '55555555', '66666666', '77777777',
+            '88888888', '99999999', '12341234', '11223344', '99887766',
+        }
+        if cvr in known_fakes:
+            return True
+        if len(set(cvr)) == 1:
+            return True
+        digits = [int(c) for c in cvr]
+        if all(digits[i+1] - digits[i] == 1 for i in range(7)):
+            return True
+        return False
+
     def extract_cvr(text: str, own_cvr: str = '') -> Optional[str]:
         patterns = [
             # Med label
@@ -408,7 +437,7 @@ async def extract_vendor_suggestion(email_id: int):
         for pat in patterns:
             for m in re.finditer(pat, text, re.IGNORECASE):
                 val = m.group(1)
-                if val != own_cvr and val.isdigit():
+                if val != own_cvr and val.isdigit() and not is_placeholder_cvr(val):
                     return val
         return None
 
@@ -429,47 +458,89 @@ async def extract_vendor_suggestion(email_id: int):
         return None
 
     def extract_address(text: str) -> Optional[str]:
-        # Dansk postnummer 4 cifre + by
+        # Format 1: "Vejnavn 12K[, etage/side][ -/,] 4000 By"
+        # Håndterer: "Jernbanegade 12K, st.tv - 4000 Roskilde"
+        #             "Nørregade 5, 1. sal, 8000 Aarhus"
+        #             "Industrivej 3 - 2200 København N"
         m = re.search(
-            r'([A-ZÆØÅ][a-zæøåA-ZÆØÅ\-\.]+(?:\s+\d+[A-Za-z]?(?:,?\s*(?:st|tv|th|\d+\.?\s*(?:sal|etage)?))?)?,?\s*\d{4}\s+[A-ZÆØÅ][a-zæøåA-ZÆØÅ\s\-]+)',
+            r'([A-ZÆØÅ][a-zæøåA-ZÆØÅ\-\.]{2,}\s+\d+[A-Za-z]?'
+            r'(?:[,\s]+[a-zæøåA-ZÆØÅ0-9][a-zæøåA-ZÆØÅ0-9\.\s]{0,15}?)?'
+            r'(?:[,\s]+|\s*[-–]\s*)\d{4}\s+[A-ZÆØÅ][a-zæøåA-ZÆØÅ]{2,})',
             text
         )
         if m:
             return m.group(0).strip()
-        # Fallback: vejnavn + husnummer + postnummer
+        # Format 2: vejnavn-suffix (vej/gade/alle osv.) + husnummer + postnummer
         m = re.search(
-            r'([A-ZÆØÅ][a-zæøåA-ZÆØÅ]+(?:vej|gade|alle|vænge|torv|plads|stræde|boulevard|have|bakke|skov|park|strand|mark|eng)\s*\d+[A-Za-z]?\s*,?\s*\d{4})',
+            r'([A-ZÆØÅ][a-zæøåA-ZÆØÅ]+(?:vej|gade|alle|vænge|torv|plads|stræde|boulevard|have|bakke|skov|park|strand|mark|eng)'
+            r'\s*\d+[A-Za-z]?(?:[,\s]+|\s*[-–]\s*)\d{4}(?:\s+[A-ZÆØÅ][a-zæøåA-ZÆØÅ]+)?)',
             text, re.IGNORECASE
         )
         if m:
             return m.group(0).strip()
+        # Format 3: find postnummer + by, tag kontekst foran
+        m = re.search(r'(\d{4}\s+[A-ZÆØÅ][a-zæøåA-ZÆØÅ]{2,})', text)
+        if m:
+            start = max(0, m.start() - 50)
+            snippet = text[start:m.end()].strip().lstrip('-–, ')
+            return snippet
         return None
 
+    def is_platform_or_spam(domain: str) -> bool:
+        """Returnerer True hvis domænet tilhører en platform/mailsystem"""
+        spam = {'gmail.com', 'hotmail.com', 'outlook.com', 'yahoo.com', 'live.com', 'icloud.com'}
+        return domain in spam or domain in PLATFORM_DOMAINS or 'bmc' in domain
+
     def extract_domain(text: str, sender_email: str = '') -> Optional[str]:
         # Eksplicit www
         m = re.search(r'(?:www\.|https?://)([\w\-]+\.[\w\-]+(?:\.[\w]{2,6})?)', text, re.IGNORECASE)
         if m:
-            return m.group(1).lower()
+            dom = m.group(1).lower()
-        # Emailadresser i teksten (ikke @bmcnetworks)
+            if not is_platform_or_spam(dom):
+                return dom
+        # Emailadresser i teksten
         for em in re.finditer(r'[\w.\-+]+@([\w\-]+\.[\w\-]+(?:\.[\w]{2,6})?)', text):
             dom = em.group(1).lower()
-            if 'bmc' not in dom and 'gmail' not in dom and 'outlook' not in dom and 'hotmail' not in dom:
+            if not is_platform_or_spam(dom):
                 return dom
-        # Sender email
+        # Sender email (kun hvis ikke platform)
         if sender_email and '@' in sender_email:
             dom = sender_email.split('@')[1].lower()
-            if 'gmail' not in dom and 'outlook' not in dom and 'hotmail' not in dom:
+            if not is_platform_or_spam(dom):
                 return dom
         return None
 
     def extract_company_name(text: str, sender_name: str = '') -> Optional[str]:
-        """Prøv at finde firmanavn via CVR-nær tekst eller typiske DK-firmasuffikser"""
+        """Find firmanavn via DK-suffikser, footer-mønster eller CVR-nær tekst"""
+        # Prioritet 1: navne med DK juridiske suffikser
         m = re.search(
             r'\b([\w\s\-&\'\.]+(?:A/S|ApS|IVS|I/S|K/S|P/S|GmbH|Ltd\.?|LLC|AB|AS))\b',
             text
         )
         if m:
             return m.group(1).strip()
+
+        # Prioritet 2: typisk faktura-footer format:
+        # "FirmaNavn - Adresse - Postnr By - CVR-nr.: XXXXXXXX"
+        m = re.search(
+            r'^([A-ZÆØÅ][A-Za-zæøåÆØÅ\s\-&\'\.]{2,50}?)\s*[-–]\s*[A-ZÆØÅ][a-zæøåA-ZÆØÅ]',
+            text, re.MULTILINE
+        )
+        if m:
+            name = m.group(1).strip()
+            if len(name) > 2 and not any(w in name.lower() for w in ('tlf', 'tel', 'mail', 'bank', 'cvr', 'mobil')):
+                return name
+
+        # Prioritet 3: tekst lige FORAN "CVR" på samme linje
+        m = re.search(
+            r'([A-ZÆØÅ][A-Za-zæøåÆØÅ\s\-&\'\.]{2,50}?)\s*[-–,]?\s*(?:CVR|Cvr)',
+            text
+        )
+        if m:
+            name = m.group(1).strip().rstrip('-–, ')
+            if len(name) > 2:
+                return name
+
         return sender_name or None
 
     # ── Hoved-logik ─────────────────────────────────────────────────────────
@@ -521,14 +592,30 @@ async def extract_vendor_suggestion(email_id: int):
         sender_name  = email.get('sender_name') or ''
         sender_email = email.get('sender_email') or ''
 
+        # Er afsenderen en faktureringsplatform? (e-conomic etc.)
+        sender_domain = sender_email.split('@')[1].lower() if '@' in sender_email else ''
+        is_platform_sender = sender_domain in PLATFORM_DOMAINS
+
+        # Brug ikke sender_email som leverandør-email når det er en platform
+        # Prøv i stedet at finde en rigtig email i teksten
+        vendor_email = None
+        if not is_platform_sender and sender_email:
+            vendor_email = sender_email
+        else:
+            for em in re.finditer(r'[\w.\-+]+@([\w\-]+\.[\w\-]+(?:\.[\w]{2,6})?)', focused_text):
+                dom = em.group(1).lower()
+                if dom not in PLATFORM_DOMAINS and 'bmc' not in dom:
+                    vendor_email = em.group(0)
+                    break
+
         # ── Regex udtræk ────────────────────────────────────────────────────
         suggestion = {
             "name":       extract_company_name(focused_text, sender_name) or sender_name,
-            "email":      sender_email,
+            "email":      vendor_email,
             "cvr_number": extract_cvr(focused_text, own_cvr),
             "phone":      extract_phones(focused_text),
             "address":    extract_address(focused_text),
-            "domain":     extract_domain(focused_text, sender_email),
+            "domain":     extract_domain(focused_text, sender_email if not is_platform_sender else ''),
             "source":     "regex"
         }
 
@@ -540,35 +627,50 @@ async def extract_vendor_suggestion(email_id: int):
                 # Send kun den fokuserede tekst (max 4000 tegn) til AI
                 ai_text = focused_text[:4000]
 
+                # Pre-filtrer hints inden AI ser dem (undgå at sende placeholders som hints)
+                hint_cvr = suggestion.get('cvr_number')
+                if hint_cvr and is_placeholder_cvr(hint_cvr):
+                    hint_cvr = None
+                hint_addr = suggestion.get('address')
+                if hint_addr and any(ph in hint_addr.lower() for ph in PLACEHOLDER_ADDRESSES):
+                    hint_addr = None
+                hint_domain = suggestion.get('domain')
+                if hint_domain and is_platform_or_spam(hint_domain):
+                    hint_domain = None
+
                 prompt = f"""Du er en ekspert i at udtrække firmaoplysninger fra danske fakturaer og e-mails.
 
 OPGAVE: Find LEVERANDØRENS firmaoplysninger i teksten nedenfor.
-Leverandøren er AFSENDEREN - IKKE BMC Networks og IKKE køber.
+Leverandøren er AFSENDEREN (sælger/udsteder) - IKKE BMC Networks og IKKE køber/modtager.
+
+VIGTIGT: E-mails kan være sendt via faktureringsplatforme som e-conomic, Dinero, Billy osv.
+I så fald er leverandøren den virksomhed DER EJER fakturaen - IKKE platformen selv.
+Ignorer alle data tilhørende: e-conomic.com, dinero.dk, billy.dk, uniconta.com
 
 RETURNER KUN DETTE JSON - ingen forklaring, ingen markdown:
 {{
   "name": "Firmanavn ApS",
-  "cvr_number": "12345678",
+  "cvr_number": "87654321",
-  "address": "Vejnavn 1, 2000 By",
+  "address": "Rigtig Vej 5, 2200 København",
   "phone": "12345678",
   "email": "kontakt@firma.dk",
   "domain": "firma.dk"
 }}
 
 REGLER:
-- name: Firmanavn med A/S, ApS, IVS osv. - IKKE BMC Networks
+- name: Firmanavn med A/S, ApS, IVS osv. - IKKE BMC Networks, IKKE e-conomic
-- cvr_number: Præcis 8 cifre efter "CVR", "CVR-nr", "Moms" eller "DK" - IGNORER {own_cvr}
+- cvr_number: Præcis 8 cifre efter "CVR", "CVR-nr", "Moms" eller "DK" - IGNORER {own_cvr}, IGNORER 12345678 (placeholder)
-- address: Fuld adresse med postnummer og by (dansk format: "Vejnavn 1, 1234 By")
+- address: Fuld RIGTIG adresse med postnummer og by - IGNORER "Vejnavn 1, 1234 By" (placeholder)
 - phone: Telefonnummer - foretrukket format: "+45 XXXX XXXX" eller "XXXX XXXX"
-- email: Kontakt-email til firmaet (IKKE afsender-email hvis den er personlig)
+- email: Kontakt-email til firmaet - IKKE e-conomic.com, IKKE post@e-conomic.com
-- domain: Hjemmeside-domæne f.eks. "firma.dk" eller "www.firma.dk"
+- domain: Hjemmeside-domæne - IKKE e-conomic.com, IKKE faktureringsplatform
 - Sæt null for felter der IKKE kan findes med sikkerhed
 
-KENDTE REGEX-RESULTATER (brug som hjælp, ret dem hvis de er forkerte):
+KENDTE REGEX-RESULTATER (brug som hjælp - disse er allerede filtrerede):
-- cvr: {suggestion.get('cvr_number') or 'ikke fundet'}
+- cvr: {hint_cvr or 'ikke fundet'}
 - phone: {suggestion.get('phone') or 'ikke fundet'}
-- address: {suggestion.get('address') or 'ikke fundet'}
+- address: {hint_addr or 'ikke fundet'}
-- domain: {suggestion.get('domain') or 'ikke fundet'}
+- domain: {hint_domain or 'ikke fundet'}
 
 TEKST:
 {ai_text}
@@ -591,15 +693,27 @@ JSON:"""
             except Exception as e:
                 logger.warning(f"⚠️ AI udtræk fejlede, bruger regex-resultat: {e}")
 
-        # Rens: fjern domæner der tilhører kendte mailservere
+        # Rens: fjern platform/spam domæner
-        spam_domains = {'gmail.com', 'hotmail.com', 'outlook.com', 'yahoo.com', 'live.com', 'icloud.com'}
+        if suggestion.get('domain') and is_platform_or_spam(suggestion['domain']):
-        if suggestion.get('domain') in spam_domains:
             suggestion['domain'] = None
 
-        # Fjern own_cvr hvis den snegte sig ind
+        # Fjern own_cvr og placeholder CVRs
-        if suggestion.get('cvr_number') == own_cvr:
+        if suggestion.get('cvr_number') == own_cvr or (
+            suggestion.get('cvr_number') and is_placeholder_cvr(suggestion['cvr_number'])
+        ):
             suggestion['cvr_number'] = None
 
+        # Fjern placeholder-adresser (e-conomic og lignende skabeloner)
+        addr_lower = (suggestion.get('address') or '').lower().strip()
+        if any(ph in addr_lower for ph in PLACEHOLDER_ADDRESSES):
+            suggestion['address'] = None
+
+        # Fjern platform email hvis AI satte den alligevel
+        if suggestion.get('email') and '@' in suggestion.get('email', ''):
+            em_domain = suggestion['email'].split('@')[-1].lower()
+            if em_domain in PLATFORM_DOMAINS:
+                suggestion['email'] = None
+
         return suggestion
 
     except HTTPException: