chat GPT ist doof

This commit is contained in:
2025-03-31 11:33:49 +00:00
parent 6f822527e8
commit 44528d555a

View File

@@ -1,3 +1,5 @@
# Neue Version (1.0.11) mit optimierter Wikipedia-Suchlogik, Original-Auswertung bleibt erhalten
import os
import time
import re
@@ -7,12 +9,13 @@ import requests
import openai
import csv
from bs4 import BeautifulSoup
from lxml import html as lh
from oauth2client.service_account import ServiceAccountCredentials
from datetime import datetime
from difflib import SequenceMatcher
# === KONFIGURATION ===
VERSION = "1.0.12"
VERSION = "1.0.11"
LANG = "de"
CREDENTIALS = "service_account.json"
SHEET_URL = "https://docs.google.com/spreadsheets/d/1u_gHr9JUfmV1-iviRzbSe3575QEp7KLhK5jFV_gJcgo"
@@ -21,7 +24,6 @@ MAX_RETRIES = 3
RETRY_DELAY = 5
LOG_CSV = "gpt_antworten_log.csv"
SIMILARITY_THRESHOLD = 0.6
DEBUG = True # Debug-Modus für ausführliche Informationen
# === OpenAI API-KEY LADEN ===
with open("api_key.txt", "r") as f:
@@ -41,277 +43,74 @@ print(f"Starte bei Zeile {start+1}")
wikipedia.set_lang(LANG)
def similar(a, b):
if not a or not b:
return 0
return SequenceMatcher(None, str(a).lower().strip(), str(b).lower().strip()).ratio()
def clean_text(text):
"""Bereinigt Text von HTML-Entitäten und überflüssigen Whitespaces"""
if not text:
return "k.A."
# Text in Unicode umwandeln
if hasattr(text, 'encode'):
text = text.encode('utf-8', 'ignore').decode('utf-8')
# Text von BeautifulSoup zu String konvertieren
if hasattr(text, 'get_text'):
text = text.get_text()
# Entfernen von HTML-Tags und Klammern mit Inhalt
text = re.sub(r'\[.*?\]', '', str(text))
text = re.sub(r'\(.*?\)', '', text)
# Entfernen von überflüssigen Whitespaces
text = re.sub(r'\s+', ' ', text).strip()
return text if text else "k.A."
def debug_print(message):
"""Debug-Ausgabe, wenn DEBUG=True"""
if DEBUG:
print(f"[DEBUG] {message}")
def extract_infobox_data(soup, page_url):
"""Extrahiert Daten aus der Wikipedia-Infobox mit verschiedenen Methoden"""
branche = "k.A."
umsatz = "k.A."
debug_print(f"Suche Infobox in {page_url}")
# Suche nach der Infobox (verschiedene mögliche Klassen)
infobox = soup.find('table', class_=lambda c: c and ('infobox' in c.lower() or 'vcard' in c.lower()))
if not infobox:
debug_print("Keine Infobox gefunden")
return branche, umsatz
debug_print("Infobox gefunden, suche nach Branche und Umsatz")
# Für detaillierte Debug-Ausgabe
if DEBUG:
headers = [clean_text(th.get_text()) for th in infobox.find_all('th') if th]
debug_print(f"Gefundene Headers in Infobox: {headers}")
# Branchen-Keywords (auch zusammengesetzte Begriffe)
branche_keywords = [
'branche', 'tätigkeitsfeld', 'geschäftsfeld', 'sektor',
'branche/sektor', 'sektor/branche', 'geschäftsbereich',
'geschäftszweig', 'wirtschaftszweig', 'aktivität',
'tätigkeitsbereich', 'industriezweig'
]
# Umsatz-Keywords
umsatz_keywords = [
'umsatz', 'umsatzerlös', 'umsatzerlöse', 'jahresumsatz',
'konzernumsatz', 'umsatz in', 'umsatz (', 'umsätze'
]
# Methode 1: Direkte Suche in den Zeilen der Infobox
rows = infobox.find_all('tr')
for row in rows:
header = row.find('th')
if not header:
continue
header_text = clean_text(header.get_text()).lower()
# Suche nach Branche
if any(keyword in header_text for keyword in branche_keywords):
value_cell = row.find('td')
if value_cell:
branche_text = clean_text(value_cell)
if branche_text != "k.A.":
branche = branche_text
debug_print(f"Branche gefunden (Methode 1): {branche}")
# Suche nach Umsatz
elif any(keyword in header_text for keyword in umsatz_keywords):
value_cell = row.find('td')
if value_cell:
umsatz_text = clean_text(value_cell)
if umsatz_text != "k.A.":
umsatz = umsatz_text
debug_print(f"Umsatz gefunden (Methode 1): {umsatz}")
# Methode 2: Volltext-Suche nach spezifischen Patterns
if branche == "k.A." or umsatz == "k.A.":
debug_print("Verwende Methode 2: Volltext-Suche nach Mustern")
infobox_text = clean_text(infobox.get_text())
if branche == "k.A.":
for keyword in branche_keywords:
pattern = rf'{keyword}[:\s]+([^\.]*?)[\.|\n]'
matches = re.search(pattern, infobox_text, re.IGNORECASE)
if matches:
branche = clean_text(matches.group(1))
debug_print(f"Branche gefunden (Methode 2): {branche}")
break
if umsatz == "k.A.":
for keyword in umsatz_keywords:
pattern = rf'{keyword}[:\s]+([^\.]*?)[\.|\n]'
matches = re.search(pattern, infobox_text, re.IGNORECASE)
if matches:
umsatz = clean_text(matches.group(1))
debug_print(f"Umsatz gefunden (Methode 2): {umsatz}")
break
# Methode 3: Suche in meta-Tags
if branche == "k.A.":
meta_keywords = soup.find('meta', {'name': 'keywords'})
if meta_keywords and meta_keywords.get('content'):
keywords = meta_keywords.get('content').split(',')
for keyword in keywords:
if any(bk in keyword.lower() for bk in ['industrie', 'branche', 'sektor']):
branche = clean_text(keyword)
debug_print(f"Branche gefunden (Methode 3): {branche}")
break
# Zusätzliche Nachbearbeitung für Umsatz
if umsatz != "k.A.":
# Versuche, einen numerischen Wert + Währung zu extrahieren
currency_pattern = r'(\d[\d\.,]*\s*(?:€|EUR|Euro|Mio\.?\s*€|Mrd\.?\s*€|Millionen|Milliarden))'
matches = re.search(currency_pattern, umsatz, re.IGNORECASE)
if matches:
umsatz = matches.group(1)
debug_print(f"Umsatz bereinigt: {umsatz}")
return branche, umsatz
return SequenceMatcher(None, a.lower(), b.lower()).ratio()
def get_wikipedia_data(name, website_hint=""):
firmenname = name.strip()
begriffe = [firmenname]
# Füge die ersten zwei Wörter hinzu (oft der Kernname)
name_parts = firmenname.split()
if len(name_parts) > 1:
begriffe.append(" ".join(name_parts[:2]))
# Behandle GmbH, AG, etc.
clean_name = re.sub(r'\s+(?:GmbH|AG|KG|OHG|e\.V\.|mbH).*$', '', firmenname)
if clean_name != firmenname:
begriffe.append(clean_name)
# Extrahiere Domain-Schlüssel aus Website
begriffe = [name.strip(), " ".join(name.split()[:2])]
domain_key = ""
if website_hint:
parts = website_hint.replace("https://", "").replace("http://", "").replace("www.", "").split(".")
parts = website_hint.replace("https://", "").replace("http://", "").split(".")
if len(parts) > 1:
domain_key = parts[0]
if domain_key and domain_key not in ["de", "com", "org", "net"]:
begriffe.append(domain_key)
debug_print(f"Suchbegriffe: {begriffe}")
begriffe.append(domain_key)
for suchbegriff in begriffe:
try:
debug_print(f"Suche nach: '{suchbegriff}'")
results = wikipedia.search(suchbegriff, results=8)
debug_print(f"Wikipedia-Ergebnisse: {results}")
for title in results:
try:
debug_print(f"Prüfe Wikipedia-Artikel: {title}")
page = wikipedia.page(title, auto_suggest=False)
# Prüfe Ähnlichkeit des Titels mit dem gesuchten Namen
title_similarity = similar(page.title, name)
debug_print(f"Titel-Ähnlichkeit: {title_similarity}")
if title_similarity < SIMILARITY_THRESHOLD:
# Prüfe auch Ähnlichkeit mit bereinigtem Namen
clean_title_similarity = similar(page.title, clean_name)
debug_print(f"Bereinigte Titel-Ähnlichkeit: {clean_title_similarity}")
if clean_title_similarity < SIMILARITY_THRESHOLD:
debug_print("Titel nicht ähnlich genug, überspringe")
continue
# Hole HTML-Content
response = requests.get(page.url)
html_content = response.text
# Prüfe, ob Domain-Schlüssel im Content enthalten ist
if domain_key and domain_key.lower() not in html_content.lower():
debug_print(f"Domain-Schlüssel '{domain_key}' nicht im Content gefunden, überspringe")
continue
# Parse HTML mit BeautifulSoup
soup = BeautifulSoup(html_content, 'html.parser')
# Extrahiere Branche und Umsatz aus der Infobox
branche, umsatz = extract_infobox_data(soup, page.url)
print(f"Gefunden: {page.title} - Branche: {branche}, Umsatz: {umsatz}")
return page.url, branche, umsatz
except (wikipedia.exceptions.DisambiguationError, wikipedia.exceptions.PageError) as e:
debug_print(f"Wikipedia-Fehler bei {title}: {str(e)}")
continue
except Exception as e:
debug_print(f"Allgemeiner Fehler bei {title}: {str(e)}")
continue
except Exception as e:
debug_print(f"Fehler bei Suche nach {suchbegriff}: {str(e)}")
results = wikipedia.search(suchbegriff, results=5)
except:
continue
for title in results:
try:
page = wikipedia.page(title, auto_suggest=False)
html_raw = requests.get(page.url).text
if domain_key and domain_key not in html_raw.lower():
continue
if similar(page.title, name) < SIMILARITY_THRESHOLD:
continue
soup = BeautifulSoup(html_raw, 'html.parser')
infobox = soup.find("table", class_="infobox")
branche = umsatz = ""
if infobox:
for row in infobox.find_all("tr"):
th, td = row.find("th"), row.find("td")
if not th or not td:
continue
if "branche" in th.text.lower():
branche = td.text.strip()
if "umsatz" in th.text.lower():
umsatz_raw = td.text.strip()
umsatz = re.sub(r"\[[^\]]*\]", "", umsatz_raw)
if not branche:
cats = page.categories
branche = cats[0] if cats else "k.A."
return page.url, branche or "k.A.", umsatz or "k.A."
except:
continue
return "", "k.A.", "k.A."
# === VERARBEITUNG ===
for i in range(start, min(start + DURCHLÄUFE, len(sheet_values))):
row = sheet_values[i]
firmenname = row[0] if len(row) > 0 else ""
print(f"\n[{datetime.now().strftime('%H:%M:%S')}] Verarbeite Zeile {i+1}: {firmenname}")
# Fehlersichere Abrufung von Website
website = row[1] if len(row) > 1 else ""
# Bestehende Wikipedia-URL prüfen und ggf. wiederverwenden
existing_url = row[12] if len(row) > 12 else ""
url = ""
branche = "k.A."
umsatz = "k.A."
# Mehrere Versuche beim Abrufen der Wikipedia-Daten
for attempt in range(MAX_RETRIES):
try:
# Wenn bereits eine URL existiert, versuche sie erneut zu verwenden
if existing_url and "wikipedia.org" in existing_url:
debug_print(f"Verwende bestehende URL: {existing_url}")
response = requests.get(existing_url)
if response.status_code == 200:
soup = BeautifulSoup(response.text, 'html.parser')
branche, umsatz = extract_infobox_data(soup, existing_url)
url = existing_url
print(f"Daten aus bestehender URL extrahiert - Branche: {branche}, Umsatz: {umsatz}")
# Wenn keine Daten gefunden wurden, suche neu
if url == "" or branche == "k.A." or umsatz == "k.A.":
url, branche, umsatz = get_wikipedia_data(firmenname, website)
break
except Exception as e:
print(f"⚠️ Fehler bei Wikipedia-Abruf (Versuch {attempt+1}): {str(e)[:100]}")
time.sleep(RETRY_DELAY)
if attempt == MAX_RETRIES - 1:
url = existing_url if existing_url else ""
branche, umsatz = "k.A.", "k.A."
# Hole aktuelle Werte aus dem Sheet, um sie nur zu ändern, wenn wir neue Daten haben
current_values = sheet.row_values(i+1)
# Vorbereitung der zu aktualisierenden Werte
print(f"\n[{datetime.now().strftime('%H:%M:%S')}] Verarbeite Zeile {i+1}: {row[0]}")
url, branche, umsatz = get_wikipedia_data(row[0], row[1])
branche_final = branche if url else "k.A."
umsatz_final = umsatz if url else "k.A."
values = [
branche if branche != "k.A." else (current_values[6] if len(current_values) > 6 else "k.A."),
"k.A.", # LinkedIn-Branche bleibt unverändert
umsatz if umsatz != "k.A." else (current_values[8] if len(current_values) > 8 else "k.A."),
"k.A.", "k.A.", "k.A.", # Die anderen Werte bleiben unverändert
url if url else (current_values[12] if len(current_values) > 12 else ""),
branche_final,
"k.A.",
umsatz_final,
"k.A.", "k.A.", "k.A.",
url,
datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
"k.A.", "k.A.",
VERSION
]
# Aktualisiere das Sheet
sheet.update(range_name=f"G{i+1}:Q{i+1}", values=[values])
print(f"✅ Aktualisiert: Branche: {values[0]}, Umsatz: {values[2]}, URL: {values[6]}")
print(f"✅ Aktualisiert: {values[:3]}...")
time.sleep(RETRY_DELAY)
print("\n✅ Wikipedia-Auswertung abgeschlossen")