211 компаний на 265 вакансий: как мы сводим «ТОО Kaspi.kz» и «Kaspi» в одну страницу

Имя из объявления — ещё не компания

Вакансия приходит к нам строкой, которую набрал живой человек в своём источнике. Кто-то пишет «Kaspi», кто-то «ТОО Kaspi.kz», кто-то заворачивает название в кавычки, а кто-то кладёт в то же поле адрес сайта. Для нас это ещё не компания, а сырьё: из него нужно получить одно имя, один адрес страницы и один список вакансий. На странице методики это второй шаг из четырёх — нормализация; там же вместе с названием к одному виду приводятся уровень, город, формат работы и зарплата.

Разницу легко посчитать. На 17 октября в витрине 265 вакансий, а в списке компаний — 211 записей. Частично потому, что один работодатель ищет сразу нескольких дизайнеров, но ещё 35 вакансий приходят вообще без имени нанимателя — они собраны на отдельной странице «Компания не указана».

Что мы убираем из названия

Сначала из строки уходит то, что попало в неё случайно.

• Кавычки вокруг всего имени. Раньше они убирались с каждого края по отдельности, и из «ТОО "Plan Group Kas"» получалось «ТОО "Plan Group Kas» — открывающая оставалась без пары и уезжала в заголовок страницы и в поисковую разметку. Теперь снимается только пара, обнявшая название целиком: кавычки внутри имени, при юридической форме, — его часть.
• Прилипший адрес сайта. Источник нередко кладёт сайт в то же поле: «Neuroom https://neuroom.ru». Без чистки адрес уходил в имя компании, в адрес её страницы и в адрес самой вакансии. Голый домен без «https» вроде Kaspi.kz не трогаем — это и есть название.
• «Компания не указана», «не раскрыт», «unknown», «көрсетілмеген». Это пустое поле, а не имя. Проверяем всю строку целиком, а не её начало: пока проверялось только начало, полное «Компания не указана» проходило насквозь и становилось настоящей компанией — с карточкой в списке и с «страница не найдена» по ссылке, потому что такой компании в витрине нет. В выдачу поиска этот адрес успел уйти явным списком.

Ключ, по которому вакансии находят друг друга

Из того, что осталось, собирается ключ сопоставления: слова склеиваются в одну строку, а юридические формы и общие добавки из неё выбрасываются — ТОО, ИП, АО, ООО, LLP, LLC, Ltd, Inc, GmbH, а с ними group, holding, company, kz и «Казахстан». В самом правиле пример записан прямым текстом: «ТОО Kaspi.kz», «Kaspi.kz» и «Kaspi» — один работодатель. Поэтому у Kaspi.kz одна страница, и на ней на 17 октября две открытые вакансии — Product Designer и дизайнер дизайн-систем; зарплату компания в них не называет.

Сравниваем по отдельным словам, а не поиском подстроки: в JavaScript граница слова определена для латиницы, а на кириллице работает наоборот — такое правило нашло бы «ип» в середине чужого названия.

Показанное имя при этом остаётся тем, которое написал работодатель: в списке спокойно живут «ТОО "Plan Group Kas"» и «Товарищество с ограниченной ответственностью Thousand IT Company». Юридическая форма решает, с кем свести вакансию, но не то, как компания подписана. Адрес страницы собирается из показанного имени, и если два разных работодателя дают одинаковый адрес, второму дописывается короткий хвост.

Где мы останавливаемся

Правило смотрит только на слова названия, и если они разошлись, страницы остаются разными. Это выбор, а не недосмотр: склеить двух разных работодателей хуже, чем показать одного дважды. Тот же принцип работает в склейке дублей вакансий.

Видно это сразу. У сети ITSTEP на 17 октября три страницы: Almaty с тремя вакансиями, KRG с двумя и Astana с одной. Имена отличаются последним словом, значит и ключи разные — и здесь это скорее правильно, потому что за ними разные юрлица и разные города.

Бывает и обратное. Сейчас на сайте есть CIRCLE LIMITED и «Частная компания Circle Limited», у каждой — по одной вакансии UX/UI-дизайнера. Слов «частная компания» в списке общих добавок нет, ключ вышел другим, и одно название раздвоилось на два адреса.

Когда имя меняется

Иногда имя приходится поправить руками. Доска вакансий называла компанию «Higgsfield», остальные источники — «Higgsfield AI», и получилось два адреса: свежие вакансии уходили на один, а тот, который показывает поиск, стоял со старыми записями. С 16 октября имя одно, а старый адрес /companies/higgsfield отвечает постоянным перенаправлением на страницу Higgsfield AI — проверили сегодня, работает. Открытых вакансий у компании на 17 октября шесть.

Что с этим делать

• Ищешь работодателя по названию — набирай значимое слово, без «ТОО» и «ИП»: ключ собран как раз по нему.
• Нашёл компанию через поиск, а вакансий на её странице нет или они старые — поищи второй вариант имени в списке компаний.
• Старая ссылка на страницу компании из чата или закладок не обязательно мёртвая: часть таких адресов ведёт на новое имя.
• Вакансия под пометкой «Компания не указана» — обычная вакансия, просто имя нанимателя источник не раскрыл. Кнопка отклика всё равно ведёт на оригинал.