From 41e33cd554f7f84a5cc980068fae5b8bda49ef66 Mon Sep 17 00:00:00 2001 From: Floke Date: Thu, 10 Apr 2025 10:47:32 +0000 Subject: [PATCH] bugfix --- brancheneinstufung.py | 185 +++++++++++++++++++++++++++++++++++++++--- 1 file changed, 172 insertions(+), 13 deletions(-) diff --git a/brancheneinstufung.py b/brancheneinstufung.py index 2b03c01b..bd48734a 100644 --- a/brancheneinstufung.py +++ b/brancheneinstufung.py @@ -533,10 +533,13 @@ class DataProcessor: # ==================== NEUE FUNKTION: process_verification_only ==================== def process_verification_only(): """ - Überarbeiteter Batch‑Prozess (Version 1.5.9, Modus 51): + Überarbeiteter Batch‑Prozess (Version 1.5.10, Modus 51): - Startet die Verarbeitung ab Zeile 7 und sucht ab dort die erste Zeile, in der Spalte AO (Index 41) leer ist. - - Ab dieser Zeile werden alle Zeilen in Paketen der Größe Config.BATCH_SIZE (z. B. 10 Zeilen) verarbeitet. - - Für jedes Batch wird ein aggregierter Prompt erstellt, an ChatGPT gesendet und die Antwort zeilenweise geparst. + - Falls der Nutzer eine Gesamtzeilenanzahl eingibt, die vor dem Startpunkt liegt, + wird dieser Wert ignoriert und alle Zeilen ab dem Startpunkt verarbeitet. + - Verarbeitet die Zeilen ab diesem Startpunkt in Paketen der Größe Config.BATCH_SIZE (z. B. 10 Zeilen). + - Für jedes Batch wird ein aggregierter Prompt erstellt, an ChatGPT gesendet und die Antwort + zeilenweise geparst. - Die Ergebnisse werden in den Spalten S bis Y geschrieben: S: Wiki-Validierung ("OK" oder "X") T: Alternativer Wiki-Artikel (URL oder "Kein Wikipedia-Eintrag vorhanden.") @@ -544,20 +547,18 @@ def process_verification_only(): V–Y: Platzhalter (leer) - Umfangreiche Log-Ausgaben unterstützen die Fehlerdiagnose. """ - debug_print("Starte Verifizierungsmodus (Modus 51) im Batch-Prozess (Version 1.5.9)...") + debug_print("Starte Verifizierungsmodus (Modus 51) im Batch-Prozess (Version 1.5.10)...") - # Bestimme ab Zeile 7 die erste Zeile, in der Spalte AO (Index 41) leer ist. + # Ermittlung des Startpunkts: ab Zeile 7 die erste Zeile, in der Spalte AO (Index 41) leer ist. gc = gspread.authorize(ServiceAccountCredentials.from_json_keyfile_name( Config.CREDENTIALS_FILE, ["https://www.googleapis.com/auth/spreadsheets"])) sh = gc.open_by_url(Config.SHEET_URL) main_sheet = sh.sheet1 data = main_sheet.get_all_values() - # Setze den Startindex: Beginne mindestens bei Zeile 7. start_row = None for i in range(7, len(data) + 1): row = data[i - 1] - # Prüfe, ob die Zeile weniger als 41 Spalten hat oder Spalte AO leer ist. if len(row) < 41 or row[40].strip() == "": start_row = i break @@ -574,8 +575,12 @@ def process_verification_only(): total_rows = None available_total = len(data) - 1 # ohne Header - if total_rows is not None: - available_rows = min(total_rows, available_total) + # Wenn der Nutzer einen Wert eingibt, der vor dem Startpunkt liegt, wird dieser ignoriert. + if total_rows is not None and total_rows < start_row - 1: + debug_print("Die angegebene Zeilenanzahl liegt vor dem Startpunkt. Es werden alle Zeilen ab dem Startpunkt verarbeitet.") + available_rows = available_total + elif total_rows is not None: + available_rows = total_rows else: available_rows = available_total @@ -586,11 +591,9 @@ def process_verification_only(): batch_size = Config.BATCH_SIZE # z. B. 10 batches = [] row_numbers = [] - - # Verarbeitung ab start_row bis available_rows - for i in range(start_row, available_rows + 2): # +1 wegen 1-basierter Index, +1 um bis available_rows einzubeziehen + + for i in range(start_row, available_rows + 2): # +1 für Einbeziehung, +1 wegen 1-basierter Index row = data[i - 1] - # Da wir ab start_row starten, gehen wir davon aus, dass bisher keine Zeitstempel in AO vorhanden sind. entry_text = ( f"Eintrag {i}:\n" f"Firmenname: {row[1] if len(row) > 1 else ''}\n" @@ -686,8 +689,164 @@ def _process_batch(main_sheet, batches, row_numbers): except Exception as e: debug_print(f"Fehler beim Updaten der Zeile {current_row}: {e}") time.sleep(Config.RETRY_DELAY) +def process_verification_only(): + """ + Überarbeiteter Batch‑Prozess (Version 1.5.10, Modus 51): + - Startet die Verarbeitung ab Zeile 7 und sucht ab dort die erste Zeile, in der Spalte AO (Index 41) leer ist. + - Falls der Nutzer eine Gesamtzeilenanzahl eingibt, die vor dem Startpunkt liegt, + wird dieser Wert ignoriert und alle Zeilen ab dem Startpunkt verarbeitet. + - Verarbeitet die Zeilen ab diesem Startpunkt in Paketen der Größe Config.BATCH_SIZE (z. B. 10 Zeilen). + - Für jedes Batch wird ein aggregierter Prompt erstellt, an ChatGPT gesendet und die Antwort + zeilenweise geparst. + - Die Ergebnisse werden in den Spalten S bis Y geschrieben: + S: Wiki-Validierung ("OK" oder "X") + T: Alternativer Wiki-Artikel (URL oder "Kein Wikipedia-Eintrag vorhanden.") + U: Wiki-Erklärung / Begründung + V–Y: Platzhalter (leer) + - Umfangreiche Log-Ausgaben unterstützen die Fehlerdiagnose. + """ + debug_print("Starte Verifizierungsmodus (Modus 51) im Batch-Prozess (Version 1.5.10)...") + + # Ermittlung des Startpunkts: ab Zeile 7 die erste Zeile, in der Spalte AO (Index 41) leer ist. + gc = gspread.authorize(ServiceAccountCredentials.from_json_keyfile_name( + Config.CREDENTIALS_FILE, ["https://www.googleapis.com/auth/spreadsheets"])) + sh = gc.open_by_url(Config.SHEET_URL) + main_sheet = sh.sheet1 + data = main_sheet.get_all_values() + + start_row = None + for i in range(7, len(data) + 1): + row = data[i - 1] + if len(row) < 41 or row[40].strip() == "": + start_row = i + break + if start_row is None: + debug_print("Keine Zeile ohne Zeitstempel in Spalte AO gefunden. Es wird nichts verarbeitet.") + return + debug_print(f"Verarbeitung startet ab Zeile {start_row} (erste Zeile ohne Zeitstempel in Spalte AO).") + + # Abfrage: Wie viele Zeilen sollen insgesamt verarbeitet werden? + try: + total_rows = int(input("Wie viele Zeilen sollen insgesamt bearbeitet werden? ")) + except Exception as e: + debug_print(f"Fehler bei der Eingabe der Zeilenanzahl: {e}. Es werden alle verfügbaren Zeilen verarbeitet.") + total_rows = None + + available_total = len(data) - 1 # ohne Header + # Wenn der Nutzer einen Wert eingibt, der vor dem Startpunkt liegt, wird dieser ignoriert. + if total_rows is not None and total_rows < start_row - 1: + debug_print("Die angegebene Zeilenanzahl liegt vor dem Startpunkt. Es werden alle Zeilen ab dem Startpunkt verarbeitet.") + available_rows = available_total + elif total_rows is not None: + available_rows = total_rows + else: + available_rows = available_total + + if start_row > available_rows + 1: + debug_print("Es gibt keine Zeilen ohne Zeitstempel ab dem Startpunkt. Es wird nichts verarbeitet.") + return + + batch_size = Config.BATCH_SIZE # z. B. 10 + batches = [] + row_numbers = [] + + for i in range(start_row, available_rows + 2): # +1 für Einbeziehung, +1 wegen 1-basierter Index + row = data[i - 1] + entry_text = ( + f"Eintrag {i}:\n" + f"Firmenname: {row[1] if len(row) > 1 else ''}\n" + f"CRM-Beschreibung: {row[7] if len(row) > 7 else ''}\n" + f"Wikipedia-URL: {row[11] if len(row) > 11 and row[11].strip() not in ['', 'k.A.'] else 'k.A.'}\n" + f"Wiki-Absatz: {row[12] if len(row) > 12 else 'k.A.'}\n" + f"Wiki-Kategorien: {row[16] if len(row) > 16 else 'k.A.'}\n" + "-----\n" + ) + batches.append(entry_text) + row_numbers.append(i) + if len(batches) == batch_size: + _process_batch(main_sheet, batches, row_numbers) + batches = [] + row_numbers = [] + if batches: + _process_batch(main_sheet, batches, row_numbers) + debug_print("Verifizierungs-Batch abgeschlossen.") +def _process_batch(main_sheet, batches, row_numbers): + """ + Hilfsfunktion: Bearbeitet einen Batch, indem ein aggregierter Prompt erstellt und + die aggregierte Antwort zeilenweise den entsprechenden Zeilennummern zugeordnet wird. + Die Ergebnisse werden in Spalten S bis Y geschrieben. + """ + aggregated_prompt = ( + "Du bist ein Experte in der Verifizierung von Wikipedia-Artikeln für Unternehmen. " + "Für jeden der folgenden Einträge prüfe, ob der vorhandene Wikipedia-Artikel (URL, Absatz, Kategorien) plausibel passt. " + "Gib das Ergebnis für jeden Eintrag im Format aus:\n" + "Eintrag : \n" + "Regeln:\n" + "- Bei Übereinstimmung: 'OK'\n" + "- Bei Nichtübereinstimmung: 'Alternativer Wikipedia-Artikel vorgeschlagen: | X | '\n" + "- Falls kein Artikel gefunden wurde: 'Kein Wikipedia-Eintrag vorhanden.'\n\n" + ) + aggregated_prompt += "\n".join(batches) + debug_print(f"Verarbeite Batch für Zeilen {row_numbers[0]} bis {row_numbers[-1]}.") + if tiktoken: + try: + enc = tiktoken.encoding_for_model(Config.TOKEN_MODEL) + debug_print(f"Token-Zahl für aktuellen Batch: {len(enc.encode(aggregated_prompt))}") + except Exception as e: + debug_print(f"Fehler beim Token-Counting: {e}") + try: + with open("api_key.txt", "r") as f: + api_key = f.read().strip() + except Exception as e: + debug_print(f"Fehler beim Lesen des API-Tokens für Verifizierung: {e}") + return + openai.api_key = api_key + try: + response = openai.ChatCompletion.create( + model=Config.TOKEN_MODEL, + messages=[{"role": "user", "content": aggregated_prompt}], + temperature=0.0 + ) + result = response.choices[0].message.content.strip() + debug_print(f"Aggregierte Antwort für Batch {row_numbers[0]}-{row_numbers[-1]}: {result}") + except Exception as e: + debug_print(f"Fehler bei der ChatGPT-Anfrage für Batch {row_numbers[0]}-{row_numbers[-1]}: {e}") + result = "" + answers = result.split("\n") + for current_row in row_numbers: + answer = "k.A." + for line in answers: + if line.strip().startswith(f"Eintrag {current_row}:"): + answer = line.split(":", 1)[1].strip() + break + if answer.upper() == "OK": + wiki_confirm = "OK" + alt_article = "" + wiki_explanation = "" + elif answer.upper() == "KEIN WIKIPEDIA-EINTRAG VORHANDEN.": + wiki_confirm = "" + alt_article = "Kein Wikipedia-Eintrag vorhanden." + wiki_explanation = "" + elif answer.startswith("Alternativer Wikipedia-Artikel vorgeschlagen:"): + parts = answer.split(":", 1)[1].split("|") + alt_article = parts[0].strip() if len(parts) > 0 else "k.A." + wiki_explanation = parts[2].strip() if len(parts) > 2 else "" + wiki_confirm = "X" + else: + wiki_confirm = "" + alt_article = answer + wiki_explanation = answer + try: + main_sheet.update(values=[[wiki_confirm]], range_name=f"S{current_row}") + main_sheet.update(values=[[alt_article]], range_name=f"T{current_row}") + main_sheet.update(values=[[wiki_explanation]], range_name=f"U{current_row}") + main_sheet.update(values=[["", "", "", ""]], range_name=f"V{current_row}:Y{current_row}") + debug_print(f"Zeile {current_row} verifiziert: Antwort: {answer}") + except Exception as e: + debug_print(f"Fehler beim Updaten der Zeile {current_row}: {e}") + time.sleep(Config.RETRY_DELAY) # ==================== List Metatitel, Description und Überschriften aus Websiten aus ====================