Extract Iranian salary shorthand (X تومان = millions) + pay backfill

Parser: most jobs read «توافقی» because the amount extractor only saw 6–10 digit numbers, missing
the way Iranian ads actually state pay — «۱۵ تومان»، «۴۰ تا ۵۰ تومان»، «۲۰ میلیون»، «۲۰م» all mean
MILLIONS of toman. Add colloquial detection (1–3 digit number + تومان/م/میلیون → ×1,000,000, lower
bound of a range), guarded so it never matches dates/hours or a long literal-toman figure. Also: a
stated amount now wins over «توافقی» (ads often say a number AND «… بقیه توافقی»).

Backfill: BackfillPayAsync re-parses existing aggregated jobs/talent that have no salary and fills
it in place (no AI, no ID/URL change) — wired into the post-ingest auto-cleanup and exposed as an
admin button. Existing «توافقی» listings with a stated number get their salary; genuinely-negotiable
ads stay توافقی. Also improves the baseSalary in JobPosting rich results.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

src/JobsMedical.Web/Pages/Admin/Index.cshtml

@@ -67,6 +67,15 @@
                 شیفت/استخدام/آماده‌به‌کارِ جمع‌آوری‌شده‌ای که مختصات ندارند، از روی محلهٔ ذکرشده در متنِ آگهی روی نقشه قرار می‌گیرند (محدودهٔ تقریبی). فقط مختصاتِ خالی پر می‌شود؛ موقعیتِ واقعیِ مراکز دست‌نخورده می‌ماند.
             </p>
 
+            <form method="post">
+                <button type="submit" asp-page-handler="BackfillPay" class="btn btn-primary btn-block" style="margin-top:10px;">
+                    💰 استخراجِ حقوق برای آگهی‌های «توافقی»
+                </button>
+            </form>
+            <p class="muted" style="font-size:11px; margin:6px 0 0;">
+                آگهی‌هایی که حقوقشان «توافقی» است ولی در متن مبلغ دارند (مثل «۴۰ تا ۵۰ تومان» = میلیون)، مبلغشان استخراج و ثبت می‌شود (درجا، بدون تغییر شناسه/آدرس).
+            </p>
+
             <form method="post" onsubmit="return confirm('آگهی‌های جمع‌آوری‌شدهٔ شیفت/استخدام که اکنون خارج از حوزه‌اند (خدمات منزل/نظافت، تبلیغاتی/آموزشی، اسپم) و استخدام‌های تکراری «بایگانی» می‌شوند: از سایت پنهان می‌شوند ولی ردیفشان نگه داشته می‌شود (قابل بازگشت). آگهی‌های معتبر و شناسه/آدرسشان دست‌نخورده می‌ماند. ادامه؟');">
                 <button type="submit" asp-page-handler="PurgeInvalid" class="btn btn-outline btn-block" style="margin-top:10px; color:var(--danger); border-color:var(--danger);">
                     🧽 بایگانیِ درجای آگهی‌های خارج از حوزه و تکراری (شیفت/استخدام)

src/JobsMedical.Web/Pages/Admin/Index.cshtml.cs

@@ -139,6 +139,15 @@ public class IndexModel : PageModel
         return RedirectToPage();
     }
 
+    /// <summary>Fill missing salary on existing aggregated listings from the stored text (now reading
+    /// Iranian «X تومان» = millions shorthand). In place — no AI, no ID/URL change.</summary>
+    public async Task<IActionResult> OnPostBackfillPayAsync()
+    {
+        var n = await _ingest.BackfillPayAsync();
+        IngestMessage = $"حقوق برای {n} آگهیِ «توافقی» که در متن مبلغ داشت (مثل «۴۰ تا ۵۰ تومان») استخراج و ثبت شد. بدون تغییر شناسه/آدرس.";
+        return RedirectToPage();
+    }
+
     /// <summary>
     /// In-place cleanup of existing aggregated jobs/shifts: ARCHIVE (hide, keep the row) only the
     /// out-of-scope ones (domestic-helper / promotional / spam) per the current validator, plus

src/JobsMedical.Web/Services/ListingParser.cs

@@ -137,13 +137,12 @@ public class HeuristicListingParser : IListingParser
         { p.Notes.Add("پرداخت درصدی/سهمی (درصد نامشخص)"); }
 
         // --- Fixed pay (strip phone numbers first so they're never read as money) ---
-        if (ContainsAny(text, "توافقی", "توافق")) { p.PayNegotiable = true; p.Notes.Add("حقوق: توافقی"); }
-        else
-        {
-            var amount = ExtractAmount(StripPhones(text));
-            if (amount is not null) { p.PayAmount = amount; p.Notes.Add($"حقوق تخمینی: {amount:#,0} تومان"); }
-            else if (p.SharePercent is null) p.Notes.Add("حقوق: تشخیص داده نشد");
-        }
+        // A STATED amount wins over «توافقی»: ads often say a number AND «… بقیه توافقی»; showing the
+        // figure is far more useful than «توافقی». Fall back to negotiable only when no amount is found.
+        var amount = ExtractAmount(StripPhones(text));
+        if (amount is not null) { p.PayAmount = amount; p.Notes.Add($"حقوق تخمینی: {amount:#,0} تومان"); }
+        else if (ContainsAny(text, "توافقی", "توافق")) { p.PayNegotiable = true; p.Notes.Add("حقوق: توافقی"); }
+        else if (p.SharePercent is null) p.Notes.Add("حقوق: تشخیص داده نشد");
 
         // --- Talent extras (only meaningful for «آماده به کار») ---
         if (p.Kind == ListingKind.Talent)
@@ -291,6 +290,14 @@ public class HeuristicListingParser : IListingParser
         bool hasToman = latin.Contains("تومان") || latin.Contains("تومن");
         bool hasRial = (latin.Contains("ریال") || latin.Contains("ريال")) && !hasToman;
 
+        // Iranian salary shorthand: a 1–3 digit number means MILLIONS of toman — «۱۵ تومان»،
+        // «۴۰ تا ۵۰ تومان»، «۲۰ میلیون»، «۲۰م». Take the LOWER bound of a range. The lookarounds keep
+        // this from ever matching part of a long literal-toman number (the digits must end at the unit).
+        var collo = Regex.Match(latin,
+            @"(?<!\d)(\d{1,3})(?:\s*تا\s*(\d{1,3}))?\s*(?:میلیون|م(?![ا-یA-Za-z])|تومان|تومن)(?!\s*\d)");
+        if (collo.Success && int.TryParse(collo.Groups[1].Value, out var lo) && lo is > 0 and <= 500)
+            return (long)lo * 1_000_000;
+
         // e.g. "۲ میلیون" / "2.5 میلیون [ریال]"
         var million = Regex.Match(latin, @"(\d+(?:[.,]\d+)?)\s*میلیون\s*(ریال|ريال)?");
         if (million.Success && double.TryParse(million.Groups[1].Value.Replace(",", "."),

src/JobsMedical.Web/Services/Scraping/IngestionService.cs

@@ -341,6 +341,38 @@ public class IngestionService
         return filled;
     }
 
+    /// <summary>
+    /// In-place pay backfill: for existing AGGREGATED listings with no salary, re-parse the stored ad
+    /// text with the CURRENT parser (which now reads Iranian shorthand «۴۰ تا ۵۰ تومان» = millions) and
+    /// set the figure. No AI, no re-fetch, no delete/recreate — IDs/URLs unchanged. Only fills an empty
+    /// salary, so a genuinely-«توافقی» ad stays توافقی. Returns how many got a salary.
+    /// </summary>
+    public async Task<int> BackfillPayAsync(CancellationToken ct = default)
+    {
+        var roleNames = await _db.Roles.Select(r => r.Name).ToListAsync(ct);
+        var cityNames = await _db.Cities.Select(c => c.Name).ToListAsync(ct);
+        var districtNames = await _db.Districts.Select(d => d.Name).ToListAsync(ct);
+        long? Pay(string? text) => _parser.Parse(text ?? "", roleNames, cityNames, districtNames).PayAmount;
+
+        int filled = 0;
+
+        var jobs = await _db.JobOpenings
+            .Where(j => j.SalaryMin == null && j.Status == ShiftStatus.Open && j.Source == ShiftSource.Aggregated)
+            .ToListAsync(ct);
+        foreach (var j in jobs)
+            if (Pay(j.Description) is long p) { j.SalaryMin = p; filled++; }
+
+        var talent = await _db.TalentListings
+            .Where(t => t.PayAmount == null && t.Status == ShiftStatus.Open && t.Source == ShiftSource.Aggregated)
+            .ToListAsync(ct);
+        foreach (var t in talent)
+            if (Pay(t.Description) is long p) { t.PayAmount = p; t.PayType = PayType.PerShift; filled++; }
+
+        if (filled > 0) await _db.SaveChangesAsync(ct);
+        _log.LogInformation("Pay backfill set a salary on {N} aggregated listings.", filled);
+        return filled;
+    }
+
     /// <summary>
     /// The self-cleaning pass run automatically at the end of every crawl (and available on demand):
     /// archive out-of-scope/duplicate listings, merge duplicate + fold junk facilities, and backfill
@@ -354,8 +386,9 @@ public class IngestionService
         var (archived, dedupedJobs) = await PurgeInvalidAggregatedAsync(ct);
         var (mergedFac, cleanedFac) = await MergeAndCleanFacilitiesAsync(ct);
         var coords = await BackfillCoordsAsync(ct);
-        _log.LogInformation("Post-ingest cleanup: archived={A} dedupedJobs={DJ} mergedFac={MF} cleanedFac={CF} coords={C}",
-            archived, dedupedJobs, mergedFac, cleanedFac, coords);
+        var pay = await BackfillPayAsync(ct);
+        _log.LogInformation("Post-ingest cleanup: archived={A} dedupedJobs={DJ} mergedFac={MF} cleanedFac={CF} coords={C} pay={P}",
+            archived, dedupedJobs, mergedFac, cleanedFac, coords, pay);
         return (archived, dedupedJobs, mergedFac, cleanedFac, coords);
     }