From 85ed437297414ef7cbd1922f04433d60f98dea59 Mon Sep 17 00:00:00 2001
From: Floke <floke.com@gmail.com>
Date: Sun, 30 Mar 2025 07:28:07 +0000
Subject: [PATCH] =?UTF-8?q?Enhancement:=20Wikipedia-Treffer=20durch=20Posi?=
 =?UTF-8?q?tivliste=20f=C3=BCr=20Kategorien=20validiert?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

- Neue Konstante WHITELIST_KATEGORIEN definiert (z. B. „Unternehmen“, „Produktion“, „Maschinenbau“)
- Wenn keine Branche aus Infobox extrahiert wird, wird geprüft, ob eine der Wikipedia-Kategorien zur Whitelist passt
- Andernfalls wird der Artikel verworfen (→ Rückgabe „k.A.“)
---
 brancheneinstufung.py | 22 +++++++++++++++++++++-
 1 file changed, 21 insertions(+), 1 deletion(-)

diff --git a/brancheneinstufung.py b/brancheneinstufung.py
index 8a20ec17..fd043810 100644
--- a/brancheneinstufung.py
+++ b/brancheneinstufung.py
@@ -97,6 +97,17 @@ system_prompt = {
 }
 
 # === WIKIPEDIA DATEN LADEN ===
+# Positivliste für Wikipedia-Kategorien, die auf Unternehmen hinweisen können
+WHITELIST_KATEGORIEN = [
+    "Unternehmen",
+    "Hersteller",
+    "Produktion",
+    "Industrie",
+    "Maschinenbau",
+    "Technik",
+    "Dienstleistungsunternehmen"
+]
+
 def get_wikipedia_data(name, website_hint=""):
     begriffe = [name.strip(), " ".join(name.split()[:2])]
     if website_hint:
@@ -109,6 +120,12 @@ def get_wikipedia_data(name, website_hint=""):
         for title in results:
             try:
                 page = wikipedia.page(title)
+                # Titelprüfung verbessern
+                if any(x in page.title.lower() for x in ["krankenkasse", "versicherung"]):
+                    continue
+                if website_hint:
+                    if website_hint.lower().split(".")[0] not in html.lower():
+                        continue
                 if name.lower().split()[0] not in page.title.lower():
                     continue
                 url = page.url
@@ -137,7 +154,10 @@ def get_wikipedia_data(name, website_hint=""):
                                     umsatz = match.group(1).replace(",", ".")
                 if not branche:
                     cats = page.categories
-                    branche = cats[0] if cats else "k.A."
+                    if any(any(w.lower() in c.lower() for w in WHITELIST_KATEGORIEN) for c in cats):
+                        branche = cats[0]
+                    else:
+                        return "", "k.A.", "k.A."
                 return url, branche or "k.A.", umsatz or "k.A."
             except:
                 continue