duplicate_checker.py aktualisiert

duplicate_checker.py

@@ -5,9 +5,9 @@ from rapidfuzz import fuzz
 from google_sheet_handler import GoogleSheetHandler
 
 # --- Konfiguration ---
-CRM_SHEET_NAME    = "CRM_Accounts"
+CRM_SHEET_NAME      = "CRM_Accounts"
 MATCHING_SHEET_NAME = "Matching_Accounts"
-SCORE_THRESHOLD   = 0.8
+SCORE_THRESHOLD     = 0.8
 WEIGHTS = {
     'domain': 0.5,
     'name':   0.4,
@@ -17,15 +17,14 @@ WEIGHTS = {
 # --- Hilfsfunktionen ---
 def normalize_company_name(name: str) -> str:
     """
-    Vereinfachte Normalisierung von Firmennamen:
+    Vereinfacht Firmennamen:
-    - Unicode‑safe Kleinschreibung
+    - Unicode-safe Kleinschreibung
     - Umlaute in ae/oe/ue, ß in ss
-    - Entfernen von Rechtsformen und Stop-Wörtern
+    - Entfernen von Rechtsformen/Stop-Wörtern
     """
     s = str(name).casefold()
     for src, dst in [('ä','ae'), ('ö','oe'), ('ü','ue'), ('ß','ss')]:
         s = s.replace(src, dst)
-    # Nur alphanumerisch und Leerzeichen
     s = re.sub(r'[^a-z0-9\s]', ' ', s)
     stops = ['gmbh','ag','kg','ug','ohg','holding','group','international']
     tokens = [t for t in s.split() if t and t not in stops]
@@ -33,11 +32,13 @@ def normalize_company_name(name: str) -> str:
 
 
 def normalize_domain(url: str) -> str:
-    """Root-Domain extrahieren, Protokoll und www entfernen"""
+    """Extrahiere Root-Domain, entferne Protokoll und www-Präfix"""
     s = str(url).casefold().strip()
     s = re.sub(r'^https?://', '', s)
     s = s.split('/')[0]
-    return s.removeprefix('www.')
+    if s.startswith('www.'):
+        s = s[4:]
+    return s
 
 
 def main():