From 6e9f9b1b0fb0828fabe1588f2fc584518c8d814a Mon Sep 17 00:00:00 2001
From: Eddy de Vink <github@eddydev.ink>
Date: Thu, 10 Sep 2026 20:43:13 +0200
Subject: [PATCH] v1.9.2: whitelist-laag (onmiskenbare OV-termen als
 altijd-door-signaal) + inchecken/uitchecken naar zwak (Schiphol-inchecken is
 geen OV)

---
 buzzrss/bot.py | 59 +++++++++++++++++++++++++++++++++++++++++++++++++-
 maubot.yaml    |  2 +-
 2 files changed, 59 insertions(+), 2 deletions(-)

diff --git a/buzzrss/bot.py b/buzzrss/bot.py
index ca66204..f0333eb 100644
--- a/buzzrss/bot.py
+++ b/buzzrss/bot.py
@@ -88,13 +88,14 @@ MATCH_FILTER_FAMILIES: list[tuple[str, int]] = [
     # medium (2)
     (r"\btrams?\b", 2),
     (r"\bmetro(?:'?s)?\b", 2),
-    (r"\b(?:openbaar vervoer|dienstregeling|inchecken|uitchecken|lightrail|pendelbus|shuttlebus|halte|bushokje|busbaan|vervoerder|reiziger)\w*\b", 2),
+    (r"\b(?:openbaar vervoer|dienstregeling|lightrail|pendelbus|shuttlebus|halte|bushokje|busbaan|vervoerder|reiziger)\w*\b", 2),
     (r"\b(?:ov-chipkaart|chipkaart|ovpay|ov-pay|reisproduct|studentenreisproduct|vervoersbewijs|vervoerbewijs)\w*\b", 2),
     (r"\b(?:ov-staking|conducteursstaking)\w*\b", 2),
     (r"\bconduct(?:eur|eurs)\b", 2),  # trein-/buspersoneel: onmiskenbaar OV-jargon
     (r"\b(?:pont|ponten)\b", 2),  # waterbus/veerdienst
     # zwak (1) — dubbelzinnig, moet combineren
     (r"(?<!-)\bbus(?:sen)?\b", 1),  # ná een koppelteken geen OV: 'VW-bus', 'school-bus' 
+    (r"\b(?:inchecken|uitchecken)\w*\b", 1),  # ook op luchthavens/hotels — geen OV-jargon, moet combineren 
     (r"\bbreng\b", 1),  # vervoerder Breng vs werkwoord "brengen" ("hoe breng je ... in beeld")
     (r"\boverweg\b", 1),  # spoorwegovergang vs idioom "goed met elkaar overweg kunnen"
     (r"\boverwegen\b", 1),  # meervoud van overweg vs werkwoord ("een gratieverlening overwegen")
@@ -127,10 +128,48 @@ MATCH_FILTER_BLACKLIST: frozenset[str] = frozenset({
     "stationnement", "stationering",
 })
 
+# MATCH_FILTER_WHITELIST: termen die een bericht per definitie OV maken. Eén enkele
+# hit in titel óf samenvatting laat ALTIJD door (geen familiescore nodig) — dit is het
+# expliciete "onmiskenbaar OV"-signaal, zodat we voor deze termen niet op de gewogen
+# heuristiek hoeven te leunen. Vergelijking is case-insensitive, dus ook 'nederlandse
+# spoorwegen', 'prorail' en 'NS' in all-caps titels tellen mee.
+# Termen MOETEN in elke context OV betekenen. Niet hierop (algemeen/dubbelzinnig):
+# los 'trein', 'bus', 'metro', 'tram', 'station', 'lijn', 'ov', 'reiziger',
+# 'inchecken' (Schiphol/hotel), 'sein' (brandweerjargon), 'overweg', 'treinramp'
+# (films) — die blijven in de gewogen families.
+MATCH_FILTER_WHITELIST: frozenset[str] = frozenset({
+    # Vervoerders en OV-merken (incl. multi-woord termen)
+    "nederlandse spoorwegen", "ns", "prorail", "randstadrail", "arriva", "qbuzz",
+    "connexxion", "transdev", "keolis", "ret", "gvb", "htm", "ebs", "syntus",
+    "u-ov", "allgo", "blauwnet", "r-net", "valleilijn", "hermes", "rrreis",
+    "qliner", "flixbus", "eurostar", "thalys", "gvu", "ovpay",
+    # Spoorinfra-jargon (samenvoegingen, onmiskenbaar OV)
+    "spoorstoring", "spoorverkeer", "spoorwegovergang", "spoorlijn", "spoorbaan",
+    "spoorbrug", "spoorstaking", "perron", "wisselstoring", "seinstoring",
+    "ontsporing", "ontspoord", "ontspoorde", "treinstoring", "treinverkeer",
+    "treinstaking", "treinongeval", "treinbotsing", "treinstel",
+    # Bus/tram/metro-jargon
+    "bushalte", "bushaltes", "busstation", "busbaan", "buslijn", "busnet",
+    "busstaking", "tramhalte", "tramlijn", "tramnet", "tramverkeer",
+    "metrostation", "metrolijn", "metroverkeer",
+    # Tarief/vervoerder-jargon
+    "ov-chipkaart", "ov-staking", "lightrail", "pendelbus", "shuttlebus",
+    "conducteur", "conducteurs", "dienstregeling", "vervoersbewijs",
+    "openbaar vervoer",
+})
+
 _compiled_match_families: list[tuple[re.Pattern, int]] = [
     (re.compile(pat, re.IGNORECASE), w) for pat, w in MATCH_FILTER_FAMILIES
 ]
 
+# Whitelist: enkel-woord termen als \\b-term\\b (geen substring-botsingen zoals
+# 'ns' in 'kunstenaar'), multi-woord termen als exacte frase.
+_WHITELIST_RE = re.compile(
+    r"\b(?:" + "|".join(re.escape(w) for w in MATCH_FILTER_WHITELIST if " " not in w) + r")\b",
+    re.IGNORECASE,
+)
+_WHITELIST_PHRASES: tuple[str, ...] = tuple(w for w in MATCH_FILTER_WHITELIST if " " in w)
+
 
 class Config(BaseProxyConfig):
     def do_update(self, helper: ConfigUpdateHelper) -> None:
@@ -258,6 +297,18 @@ class RSSBot(Plugin):
         als tekst houden — inclusief URL's en attributen, die dan vals scoren."""
         return re.sub(r"<[^>]+>", "", html.unescape(raw))
 
+    @staticmethod
+    def _whitelist_hit(text: str) -> bool:
+        """True als een onmiskenbare OV-term uit MATCH_FILTER_WHITELIST in text zit.
+
+        Enkele-woord termen matchen op woordgrens ('ns' telt NIET binnen 'kunstenaar'),
+        multi-woord termen ('nederlandse spoorwegen') als exacte frase, beide
+        case-insensitive."""
+        if _WHITELIST_RE.search(text):
+            return True
+        low = text.lower()
+        return any(ph in low for ph in _WHITELIST_PHRASES)
+
     @staticmethod
     def _fam_hits(text: str) -> list[tuple[int, int]]:
         """(familie-index, gewicht) voor elke OV-familie die in text voorkomt (1× per familie).
@@ -289,6 +340,9 @@ class RSSBot(Plugin):
         'sein brandmeester' en figuratief 'weer op de rails'.
         Bewust doorgelaten: krant 'De Metro'/café 'De Tram' (medium), film-'treinramp'
         en atleet-'sprinter' (sterk)."""
+        # Whitelist: één onmiskenbare OV-term (titel óf samenvatting) laat altijd door.
+        if RSSBot._whitelist_hit(title) or RSSBot._whitelist_hit(summary):
+            return True
         t_hits = RSSBot._fam_hits(title)
         s_hits = RSSBot._fam_hits(summary)
         score = 2 * sum(w for _, w in t_hits) + sum(w for _, w in s_hits)
@@ -309,6 +363,9 @@ class RSSBot(Plugin):
             "- Medium (2): tram, metro, openbaar vervoer/dienstregeling/inchecken, halte, bushokje, busbaan, vervoerder, reiziger, "
             "ov-chipkaart/ovpay/reisproduct, ov-staking, pont\n"
             "- Zwak (1): losse 'bus' (niet ná een koppelteken), 'trein', 'breng', 'overweg', 'overwegen', 'sein', 'kaartje', 'opwaarderen', 'rails' — moet combineren met een ander OV-woord\n\n"
+            "**Whitelist (altijd door):** één onmiskenbare OV-term in titel óf samenvatting is genoeg "
+            "(NS, ProRail, Nederlandse Spoorwegen, spoorstoring, perron, bushalte, metrostation, conducteur, "
+            "ov-chipkaart, ovpay, openbaar vervoer, dienstregeling, ...)\n\n"
             "Uitgesloten (blacklist): woorden die wél matchen maar geen OV-waarde hebben, "
             "o.a. straatnamen rond stations ('stationsstraat', 'stationsweg', ...) en niet-OV-vormen als 'stationcar' en 'stationair'\n\n"
             "Doorlaten: `2×(titel-score) + 1×(samenvatting-score) ≥ 3`"
diff --git a/maubot.yaml b/maubot.yaml
index f2fc400..8cd6e42 100644
--- a/maubot.yaml
+++ b/maubot.yaml
@@ -1,5 +1,5 @@
 id: nl.eddydevink.rss
-version: 1.9.1
+version: 1.9.2
 modules:
 - buzzrss
 main_class: RSSBot