regex_data_normalizer

Módulo de normalización que transforma los datos crudos extraídos por OCR a formatos estándar consistentes. Normaliza fechas (ISO 8601), nombres (capitalización), y números de documento (sin espacios/guiones) para su validación posterior.

When to use

Usar en el ocr_agent inmediatamente después de la extracción OCR y antes de la validación cruzada con MRZ. Todos los campos extraídos deben pasar por normalización.

Instructions

1. Fechas: detectar formato con regex y convertir a ISO 8601 (YYYY-MM-DD).
   • Patrones: DD/MM/YYYY, DD-MM-YYYY, DD.MM.YYYY, YYYYMMDD (MRZ).
2. Nombres: eliminar caracteres no alfabéticos, normalizar acentos, capitalizar.
   • re.sub(r'[^A-Za-záéíóúñÁÉÍÓÚÑ\s]', '', name).strip().title().
3. Número de documento: eliminar espacios, guiones y puntos.
   • re.sub(r'[\s\-\.]', '', doc_number).upper().
4. Nacionalidad: mapear a código ISO 3166-1 alpha-3.
5. Sexo: normalizar a M/F independientemente del idioma del documento.
6. Validar que la fecha de nacimiento sea anterior a hoy y posterior a 1900.
7. Validar que la fecha de expiración no esté en el pasado.

Notes

• Los documentos españoles usan formato DD MM YYYY con espacios; contemplar este patrón.
• La normalización debe ser idempotente: aplicar dos veces produce el mismo resultado.
• Registrar las transformaciones aplicadas en el log de auditoría para trazabilidad.