Umsatz- und Mitarbeiterextraktion optimiert – Umsatz in Mio € und Mitarbeiterzahl als ganze Zahl (v1

Umsatz-Extraktion:

Der numerische Teil wird mittels einer neuen Helper-Funktion extract_numeric_value extrahiert.

Wenn im Text "mrd" (Milliarden) vorkommt, wird der extrahierte Wert mit 1000 multipliziert; wenn "mio" vorkommt, bleibt der Wert unverändert.

Wenn keine Einheit angegeben ist, wird angenommen, dass der Wert in Euro ist, und er wird durch 1.000.000 geteilt.

Beispiel: Aus "10,0 Mrd. Euro (2021/22)" wird der Wert 10,0 → 10 * 1000 = 10000 Mio.

Mitarbeiter-Extraktion:

Der numerische Teil wird ebenfalls mit extract_numeric_value extrahiert, ohne Skalierung.

Beispiel: Aus "4.175 (2021/22)" wird "4.175" erkannt und die Punkte als Tausendertrennzeichen entfernt, sodass "4175" resultiert.

Re-Evaluierungsmodus:

Alle Zeilen mit "x" in Spalte A werden verarbeitet (ohne Abfrage der Zeilenzahl).

Zusätzlich wird im Re-Evaluierungsmodus der komplette Infobox-Inhalt in der Konsole ausgegeben.

Spaltenanpassungen:

Im normalen Modus: Firmenname in Spalte A, Website in Spalte B; Ausgabe in G:K, Datum in N, Version in Q.

Im Re‑Evaluierungsmodus: Firmenname in Spalte B, Website in Spalte C; Ausgabe in H:L, Datum in O, Version in R.

brancheneinstufung.py

@@ -12,7 +12,7 @@ import csv
 
 # ==================== KONFIGURATION ====================
 class Config:
-    VERSION = "1.1.11"  # Neue Version mit verbesserter Umsatz- und Mitarbeiterextraktion
+    VERSION = "1.1.12"  # Neue Version: Optimierte Umsatz- und Mitarbeiterextraktion
     LANG = "de"
     CREDENTIALS_FILE = "service_account.json"
     SHEET_URL = "https://docs.google.com/spreadsheets/d/1u_gHr9JUfmV1-iviRzbSe3575QEp7KLhK5jFV_gJcgo"
@@ -69,6 +69,45 @@ def normalize_company_name(name):
     normalized = re.sub(r'\s+', ' ', normalized).strip()
     return normalized.lower()
 
+def extract_numeric_value(raw_value, is_umsatz=False):
+    """
+    Extrahiert den numerischen Wert aus raw_value.
+    - Bei Umsatz: Wenn "mrd" im Text vorkommt, multipliziere mit 1000; 
+      wenn weder "mio" noch "mrd" gefunden werden, wird angenommen, dass der Wert in Euro ist, und durch 1e6 geteilt.
+    - Bei Mitarbeiterzahl: Entferne Tausendertrennzeichen und gib den ganzzahligen Wert zurück.
+    """
+    raw = raw_value.lower()
+    match = re.search(r'([\d.,]+)', raw)
+    if not match:
+        return raw_value.strip()
+    num_str = match.group(1)
+    # Wenn Komma vorhanden, nehmen wir an, es handelt sich um einen Dezimaltrenner (mit eventuell Punkten als Tausendertrennzeichen)
+    if ',' in num_str:
+        num_str = num_str.replace('.', '').replace(',', '.')
+        try:
+            num = float(num_str)
+        except Exception as e:
+            debug_print(f"Fehler bei der Umwandlung von {num_str}: {e}")
+            return raw_value.strip()
+    else:
+        # Keine Kommas: Entferne alle Punkte (als Tausendertrennzeichen)
+        num_str = num_str.replace('.', '')
+        try:
+            num = float(num_str)
+        except Exception as e:
+            debug_print(f"Fehler bei der Umwandlung von {num_str}: {e}")
+            return raw_value.strip()
+    if is_umsatz:
+        if "mrd" in raw or "milliarden" in raw:
+            num *= 1000
+        elif "mio" in raw or "millionen" in raw:
+            pass
+        else:
+            num /= 1e6
+        return str(int(round(num)))
+    else:
+        return str(int(round(num)))
+
 # ==================== GOOGLE SHEET HANDLER ====================
 class GoogleSheetHandler:
     def __init__(self):
@@ -176,58 +215,19 @@ class WikipediaScraper:
                             clean_val = re.sub(r'\[.*?\]|\(.*?\)', '', raw_value)
                             return ' '.join(clean_val.split()).strip()
                         if target == 'umsatz':
-                            raw = raw_value.lower()
+                            # Extrahiere den numerischen Teil und berechne den Wert in Mio €
-                            match = re.search(r'([\d.,]+)', raw)
+                            return extract_numeric_value(raw_value, is_umsatz=True)
-                            if match:
-                                num_str = match.group(1)
-                                # Falls Komma vorhanden: Punkte als Tausendertrennzeichen entfernen, Komma als Dezimaltrenner ersetzen
-                                if ',' in num_str:
-                                    num_str = num_str.replace('.', '').replace(',', '.')
-                                else:
-                                    num_str = num_str.replace(' ', '').replace('.', '')
-                                try:
-                                    num = float(num_str)
-                                except Exception as e:
-                                    debug_print(f"Umsatz-Umwandlungsfehler: {e} für {num_str}")
-                                    return raw_value.strip()
-                                if 'mrd' in raw or 'milliarden' in raw:
-                                    num *= 1000
-                                elif 'mio' in raw or 'millionen' in raw:
-                                    pass
-                                else:
-                                    num /= 1e6
-                                return str(int(round(num)))
-                            return raw_value.strip()
                         if target == 'mitarbeiter':
-                            raw = raw_value.lower()
+                            # Extrahiere den numerischen Teil; erwarte Format wie "4.175 (2021/22)"
-                            # Spezifisch nach "mitarbeiterzahl" suchen, um den direkt folgenden Zahlenwert zu extrahieren.
+                            return extract_numeric_value(raw_value, is_umsatz=False)
-                            match = re.search(r'(?:mitarbeiterzahl|mitarbeiter)[^\d]*([\d.,\s]+)', raw)
-                            if match:
-                                num_str = match.group(1)
-                                # Entferne Tausendertrennzeichen (Punkte oder Leerzeichen)
-                                num_str = num_str.replace(" ", "")
-                                # Falls es nur Punkte und keine Kommas gibt, behandeln wir diese als Tausendertrennzeichen.
-                                if '.' in num_str and ',' not in num_str:
-                                    num_str = num_str.replace('.', '')
-                                # Entferne eventuell verbleibende nicht-numerische Zeichen.
-                                num_str = re.sub(r'[^\d]', '', num_str)
-                                if num_str:
-                                    debug_print(f"Mitarbeiterzahl gefunden: {num_str} in Text: {raw_value}")
-                                    return num_str
-                            # Fallback: Falls keine spezifische Suche funktioniert, versuche die erste Zahl zu extrahieren.
-                            match = re.search(r'(\d{1,3}(?:\.\d{3})+|\d+)', raw)
-                            if match:
-                                num_str = match.group(1)
-                                if '.' in num_str and ',' not in num_str:
-                                    num_str = num_str.replace('.', '')
-                                return num_str
-                            return raw_value.strip()
         return "k.A."
+
     def extract_full_infobox(self, soup):
         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."
         return clean_text(infobox.get_text(separator=' | '))
+
     def extract_fields_from_infobox_text(self, infobox_text, field_names):
         result = {}
         tokens = [token.strip() for token in infobox_text.split("|") if token.strip()]
@@ -239,6 +239,7 @@ class WikipediaScraper:
                         j += 1
                     result[field] = tokens[j] if j < len(tokens) else "k.A."
         return result
+
     def extract_company_data(self, page_url):
         if not page_url:
             return {'url': 'k.A.', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'full_infobox': 'k.A.'}
@@ -262,6 +263,7 @@ class WikipediaScraper:
         except Exception as e:
             debug_print(f"Extraktionsfehler: {str(e)}")
             return {'url': 'k.A.', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'full_infobox': 'k.A.'}
+
     @retry_on_failure
     def search_company_article(self, company_name, website):
         search_terms = self._generate_search_terms(company_name, website)
@@ -282,6 +284,63 @@ class WikipediaScraper:
                 continue
         return None
 
+# ==================== Neue Helper-Funktion für numerische Werte ====================
+def extract_numeric_value(raw_value, is_umsatz=False):
+    """
+    Extrahiert den numerischen Wert aus raw_value.
+    - Falls ein Komma vorhanden ist, werden Punkte als Tausendertrennzeichen entfernt und das Komma als Dezimaltrenner genutzt.
+    - Falls kein Komma vorhanden ist, werden alle Punkte entfernt (als Tausendertrennzeichen).
+    - Für Umsatz: Wenn "mrd" im Text vorkommt, wird der Wert mit 1000 multipliziert; falls keine Einheit angegeben ist, wird angenommen, dass der Wert in Euro ist und durch 1e6 geteilt.
+    - Für Mitarbeiter: Der extrahierte numerische Wert wird als ganze Zahl zurückgegeben.
+    """
+    raw = raw_value.lower()
+    match = re.search(r'([\d.,]+)', raw)
+    if not match:
+        return raw_value.strip()
+    num_str = match.group(1)
+    # Wenn Komma vorhanden, behandeln wir es als Dezimaltrenner
+    if ',' in num_str:
+        num_str = num_str.replace('.', '').replace(',', '.')
+        try:
+            num = float(num_str)
+        except Exception as e:
+            debug_print(f"Fehler bei der Umwandlung von {num_str}: {e}")
+            return raw_value.strip()
+    else:
+        # Entferne alle Punkte (als Tausendertrennzeichen)
+        num_str = num_str.replace('.', '')
+        try:
+            num = float(num_str)
+        except Exception as e:
+            debug_print(f"Fehler bei der Umwandlung von {num_str}: {e}")
+            return raw_value.strip()
+    if is_umsatz:
+        if "mrd" in raw or "milliarden" in raw:
+            num *= 1000
+        elif "mio" in raw or "millionen" in raw:
+            pass
+        else:
+            num /= 1e6
+        return str(int(round(num)))
+    else:
+        return str(int(round(num)))
+
+# ==================== GOOGLE SHEET HANDLER ====================
+class GoogleSheetHandler:
+    def __init__(self):
+        self.sheet = None
+        self.sheet_values = []
+        self._connect()
+    def _connect(self):
+        scope = ["https://www.googleapis.com/auth/spreadsheets"]
+        creds = ServiceAccountCredentials.from_json_keyfile_name(Config.CREDENTIALS_FILE, scope)
+        self.sheet = gspread.authorize(creds).open_by_url(Config.SHEET_URL).sheet1
+        self.sheet_values = self.sheet.get_all_values()
+    def get_start_index(self):
+        filled_n = [row[13] if len(row) > 13 else '' for row in self.sheet_values[1:]]
+        return next((i + 1 for i, v in enumerate(filled_n, start=1) if not str(v).strip()), len(filled_n) + 1)
+    # Update-Aufrufe erfolgen separat.
+
 # ==================== DATA PROCESSOR ====================
 class DataProcessor:
     def __init__(self):
@@ -347,7 +406,7 @@ if __name__ == "__main__":
             print("Ungültige Eingabe. Bitte eine Zahl eingeben.")
             exit(1)
     else:
-        num_rows = None  # Im Re-Evaluierungsmodus werden alle markierten Zeilen verarbeitet.
+        num_rows = None
     processor = DataProcessor()
     processor.process_rows(num_rows)
     print("\n✅ Wikipedia-Auswertung abgeschlossen")