bugfix

brancheneinstufung.py

@@ -1491,31 +1491,77 @@ class WikipediaScraper:
         return "k.A."
 
     def _extract_infobox_value(self, soup, target):
-         # (Unverändert zu deiner Version)
+         """Extrahiert gezielt Branche, Umsatz oder Mitarbeiter aus der Infobox."""
          if not soup: return "k.A."
+         # Finde Infobox (flexiblere Suche)
          infobox = soup.find('table', class_=lambda c: c and any(kw in c.lower() for kw in ['infobox', 'vcard', 'unternehmen']))
-         if not infobox: return "k.A."
-         keywords_map = { # ... (wie gehabt)
-             'branche': ['branche', 'industrie', 'tätigkeit', 'geschäftsfeld', 'sektor', 'produkte', 'leistungen', 'aktivitäten', 'wirtschaftszweig'],
-             'umsatz': ['umsatz', 'jahresumsatz', 'konzernumsatz', 'gesamtumsatz', 'erlöse', 'umsatzerlöse', 'einnahmen', 'ergebnis', 'jahresergebnis'],
-             'mitarbeiter': ['mitarbeiter', 'beschäftigte', 'personal', 'mitarbeiterzahl', 'angestellte', 'belegschaft', 'personalstärke']
+         if not infobox:
+             debug_print(f"  -> Infobox-Extraktion ('{target}'): Keine Infobox gefunden.")
+             return "k.A."
+         else:
+              # Logge die ersten ~100 Zeichen der gefundenen Infobox zum Vergleich
+              # debug_print(f"  -> Infobox gefunden: {str(infobox)[:100]}...")
+              pass # Weniger Lärm
+
+         # Keyword Mapping (wie gehabt)
+         keywords_map = {
+            'branche': ['branche', 'industrie', 'tätigkeit', 'geschäftsfeld', 'sektor', 'produkte', 'leistungen', 'aktivitäten', 'wirtschaftszweig'],
+            'umsatz': ['umsatz', 'jahresumsatz', 'konzernumsatz', 'gesamtumsatz', 'erlöse', 'umsatzerlöse', 'einnahmen', 'ergebnis', 'jahresergebnis'],
+            'mitarbeiter': ['mitarbeiter', 'beschäftigte', 'personal', 'mitarbeiterzahl', 'angestellte', 'belegschaft', 'personalstärke']
          }
          keywords = keywords_map.get(target, [])
-         for row in infobox.find_all('tr'):
-             header = row.find('th'); value_cell = row.find('td')
+         debug_print(f"  -> Suche nach '{target}' mit Keywords: {keywords}") # Logge Ziel und Keywords
+
+         value_found = "k.A." # Standardmäßig nicht gefunden
+
+         # Gehe Zeilen durch und logge Details
+         rows = infobox.find_all('tr')
+         for idx, row in enumerate(rows):
+             header = row.find('th')
+             value_cell = row.find('td')
+
+             # Logge nur Zeilen, die sowohl Header als auch Value haben
              if header and value_cell:
-                 header_text = clean_text(header.get_text()).lower()
-                 if any(kw in header_text for kw in keywords):
-                     raw_value = value_cell.get_text(separator=' ', strip=True) # Nimm Text inkl. Unterelementen
-                     cleaned_raw_value = clean_text(raw_value) # Bereinige Whitespace etc.
+                 header_text = header.get_text(strip=True) # Hole nur Text vom Header
+                 header_text_lower = header_text.lower()
+                 raw_value_text = value_cell.get_text(separator=' ', strip=True) # Hole allen Text aus der Zelle
+
+                 # Detailliertes Log für jede relevante Zeile
+                 debug_print(f"    -> Prüfe Zeile {idx}: TH='{header_text}' | TD='{raw_value_text[:50]}...'")
+
+                 # Prüfe Keyword-Match
+                 matched_keyword = None
+                 for kw in keywords:
+                     if kw in header_text_lower:
+                         matched_keyword = kw
+                         break # Nimm das erste passende Keyword
+
+                 if matched_keyword:
+                     debug_print(f"      --> Keyword '{matched_keyword}' gefunden in TH '{header_text}'!")
+                     cleaned_raw_value = clean_text(raw_value_text) # Bereinige TD Text
+
                      if target == 'branche':
-                         # Entferne Referenzen etc. NACH get_text
-                         clean_val = re.sub(r'\[\d+\]', '', cleaned_raw_value) # Entferne [1], [2]
-                         clean_val = re.sub(r'\([^)]*\)', '', clean_val) # Entferne (...)
-                         return clean_val.strip() if clean_val else "k.A."
-                     elif target == 'umsatz': return extract_numeric_value(cleaned_raw_value, is_umsatz=True)
-                     elif target == 'mitarbeiter': return extract_numeric_value(cleaned_raw_value, is_umsatz=False)
-         return "k.A."
+                         clean_val = re.sub(r'\[\d+\]', '', cleaned_raw_value)
+                         clean_val = re.sub(r'\([^)]*\)', '', clean_val).strip()
+                         value_found = clean_val if clean_val else "k.A."
+                         debug_print(f"        --> Branche extrahiert: '{value_found}'")
+                         break # Wenn Branche gefunden, höre auf zu suchen
+                     elif target == 'umsatz':
+                         numeric_val = extract_numeric_value(cleaned_raw_value, is_umsatz=True)
+                         value_found = numeric_val
+                         debug_print(f"        --> Umsatz extrahiert (aus '{cleaned_raw_value}'): '{value_found}'")
+                         break # Wenn Umsatz gefunden, höre auf
+                     elif target == 'mitarbeiter':
+                         numeric_val = extract_numeric_value(cleaned_raw_value, is_umsatz=False)
+                         value_found = numeric_val
+                         debug_print(f"        --> Mitarbeiter extrahiert (aus '{cleaned_raw_value}'): '{value_found}'")
+                         break # Wenn Mitarbeiter gefunden, höre auf
+                 # else:
+                     # debug_print(f"      --- Kein passendes Keyword in TH gefunden.") # Optionales Log
+
+         if value_found == "k.A.":
+              debug_print(f"  -> Kein passender Eintrag für '{target}' in Infobox gefunden.")
+         return value_found
 
     # Diese Funktionen sind jetzt überflüssig, da _extract_infobox_value die Arbeit macht
     # def extract_full_infobox(self, soup): ...