helpers.py aktualisiert

helpers.py

@@ -210,62 +210,48 @@ def simple_normalize_url(url):
     """
     Bereinigt und normalisiert eine URL auf die reine Domain (z.B. 'example.com').
     Entfernt 'www.', Protokolle, Pfade und Query-Parameter.
-    NEU v2.1: Behandelt unsichtbare Zeichen und internationale Domains (Umlaute) korrekt.
+    NEU v2.2: Behandelt unsichtbare Zeichen, internationale Domains und typische URL-Syntaxfehler.
     """
     logger = logging.getLogger(__name__)
     if not url or not isinstance(url, str):
         return "k.A."
 
-    # 1. Bereinige unsichtbare Zeichen, die oft Probleme machen
-    # \u200b = zero-width space, \xad = soft hyphen
     url = url.replace('\u200b', '').replace('\xad', '').strip()
     if not url or url.lower() == 'k.a.':
         return "k.A."
 
-    # 2. Füge ein Protokoll hinzu, falls es fehlt, damit urlparse funktioniert
     if not re.match(r'^(http|https)://', url):
         url = "https://" + url
 
     try:
         parsed = urlparse(url)
         domain_part = parsed.netloc
-        if not domain_part:
-            logger.debug(f"URL '{url[:100]}...' konnte nicht sinnvoll geparst werden (leerer netloc).")
-            return "k.A."
+        if not domain_part: return "k.A."
 
-        # Entferne Port-Informationen
         domain_part = domain_part.split(":", 1)[0]
-        # Entferne User-Info (user@domain.com)
-        if '@' in domain_part:
-             domain_part = domain_part.split('@', 1)[1]
+        if '@' in domain_part: domain_part = domain_part.split('@', 1)[1]
              
-        # 3. KORRIGIERTE LOGIK: Zuerst in IDNA encodieren, dann als ASCII decodieren
+        # NEU: Zusätzliche Bereinigung von häufigen Syntaxfehlern VOR dem Encoding
+        domain_part = re.sub(r'\.+', '.', domain_part) # Ersetze multiple Punkte (z.B. '..') durch einen
+        domain_part = domain_part.strip('.') # Entferne Punkte am Anfang/Ende
+
+        if not domain_part: return "k.A." # Wenn nach Bereinigung nichts übrig bleibt
+
         try:
-            # Das ist der entscheidende Schritt für Umlaute etc.
-            # 'lübeck.de' -> b'xn--lbeck-5wa.de' (bytes)
             domain_part_encoded = domain_part.encode('idna')
-            # b'xn--lbeck-5wa.de' -> 'xn--lbeck-5wa.de' (string)
             domain_part = domain_part_encoded.decode('ascii')
         except UnicodeError as e:
             logger.warning(f"Konnte Domain '{domain_part[:100]}' nicht nach IDNA konvertieren: {e}")
             return "k.A. (Unicode-Fehler)"
 
-        # 4. Standard-Normalisierung
         domain_part = domain_part.lower()
         if domain_part.startswith("www."):
              domain_part = domain_part[4:]
 
-        # 5. Finale Validierung
         if domain_part and '.' in domain_part:
-             parts = domain_part.split('.')
-             if len(parts) > 1 and parts[-1].isalpha() and len(parts[-1]) >= 2:
-                 return domain_part
-             else:
-                  logger.debug(f"URL '{url[:100]}...' normalisiert zu '{domain_part}', aber TLD-Prüfung schlug fehl.")
-                  return "k.A."
+            return domain_part
         else:
-             logger.debug(f"URL '{url[:100]}...' normalisiert zu '{domain_part}', enthält keinen Punkt oder ist leer.")
-             return "k.A."
+            return "k.A."
 
     except Exception as e:
         logger.error(f"Unerwarteter Fehler bei URL-Normalisierung für '{url[:100]}...': {e}")