diff --git a/brancheneinstufung.py b/brancheneinstufung.py index afd76bf1..4df994fb 100644 --- a/brancheneinstufung.py +++ b/brancheneinstufung.py @@ -2079,151 +2079,155 @@ def search_linkedin_contacts(company_name, website, position_query, crm_kurzform # Basierend auf get_website_raw aus Teil 7. Global platziert. # Nutzt globale Helfer: simple_normalize_url, clean_text, re, requests, BeautifulSoup, Config, getattr, logger, retry_on_failure. @retry_on_failure # Wende den Decorator auf diese Funktion an -def get_website_raw(url, max_length=20000, verify_cert=True): # Längeres Default Limit, SSL-Zertifikat standardmaessig pruefen +def get_website_raw(url, max_length=20000, verify_cert=True): # verify_cert Default bleibt True """ Holt Textinhalt von einer Website, versucht Cookie-Banner zu umgehen. - Gibt den Rohtext zurück oder einen Fehlerwert ("k.A.", "k.A. (Fehler)", etc.). + Implementiert SSL-Fallback und gibt spezifischere Fehlerwerte zurueck. """ - # Verwenden Sie logger, da das Logging jetzt konfiguriert ist - logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN - # Pruefen Sie auf ungueltige oder leere URLs, inklusive spezifischer Fehlerwerte wie "http:" + logger = logging.getLogger(__name__) if not url or not isinstance(url, str) or url.strip().lower() in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"]: logger.debug(f"get_website_raw skipped: Ungueltige oder leere URL '{url}'.") - return "k.A." # Gebe "k.A." zurueck bei ungueltigen Eingaben + return "k.A." - # Falls kein Schema vorhanden ist, fuegen Sie HTTPS als Standard hinzu if not url.lower().startswith(("http://", "https://")): - #logger.debug(f"Kein Schema in URL '{url}', fuege https:// hinzu.") # Zu viel Laerm im Debug url = "https://" + url - # Verwenden Sie eine Requests Session oder requests direkt. - # Eine Session in DataProcessor koennte besser sein, aber globale Funktion nutzt requests direkt. headers = { - # Nutzt den User-Agent aus Config oder einen Fallback "User-Agent": getattr(Config, 'USER_AGENT', 'Mozilla/5.0 (compatible; UnternehmenSkript/1.0; +https://www.example.com/bot)') + # TODO (Optional): User-Agent Rotation hier implementieren } + # --- ANPASSUNG START: SSL Fallback & Spezifische Fehler --- + response = None + error_reason = "Unbekannter Fehler" # Default + for ssl_verify_attempt in [True, False]: # Erst mit True, dann mit False versuchen + if not ssl_verify_attempt and not verify_cert: # Wenn verify_cert schon False war, nicht nochmal versuchen + break + try: + current_verify_setting = verify_cert if ssl_verify_attempt else False + if not ssl_verify_attempt: + logger.warning(f"SSL-Fehler bei verify=True. Versuche erneut mit verify=False fuer {url[:100]}...") + + response = requests.get( + url, + timeout=getattr(Config, 'REQUEST_TIMEOUT', 30), # Timeout aus Config (erhöht auf 30s als Default) + headers=headers, + verify=current_verify_setting, # Aktuelle Einstellung verwenden + allow_redirects=True, # Redirects folgen + stream=False # Stream deaktivieren, da wir gesamten Inhalt brauchen + ) + response.raise_for_status() # Wirft HTTPError fuer 4xx/5xx + error_reason = None # Kein Fehler, wenn bis hierhin erfolgreich + break # Erfolgreicher Request, Schleife verlassen + + except requests.exceptions.SSLError as e_ssl: + error_reason = f"SSL Fehler: {str(e_ssl)[:100]}..." + logger.warning(f"SSL Fehler bei verify={current_verify_setting} fuer {url[:100]}...: {e_ssl}") + if ssl_verify_attempt: # Wenn es der erste Versuch (verify=True) war + verify_cert = False # Setze Flag für nächsten Versuch auf False + continue # Mache nächsten Versuch mit verify=False + else: # Wenn auch verify=False fehlschlägt + logger.error(f"Endgueltiger SSL Fehler auch bei verify=False fuer {url[:100]}...") + break # Beende Versuche nach SSL Fehler mit verify=False + + except requests.exceptions.Timeout as e_timeout: + error_reason = f"Timeout ({getattr(Config, 'REQUEST_TIMEOUT', 30)}s)" + logger.warning(f"{error_reason} fuer {url[:100]}...") + break # Timeout ist endgültig für diesen Call (Decorator macht Retries) + + except requests.exceptions.ConnectionError as e_conn: + error_reason = f"Connection Error: {str(e_conn)[:100]}..." + logger.warning(f"{error_reason} fuer {url[:100]}...") + break # Connection Error ist endgültig für diesen Call + + except requests.exceptions.HTTPError as e_http: + status_code = e_http.response.status_code + error_reason = f"HTTP Error {status_code} ({e_http.response.reason})" + logger.warning(f"{error_reason} fuer {url[:100]}...") + # Non-retryable HTTP errors werden bereits im Decorator behandelt + break # HTTP Error ist endgültig für diesen Call + + except Exception as e_gen: + error_reason = f"Allg. Fehler: {type(e_gen).__name__} - {str(e_gen)[:100]}..." + logger.error(f"Allgemeiner Fehler beim Abrufen von {url[:100]}...: {e_gen}") + logger.debug(traceback.format_exc()) + break # Allgemeiner Fehler ist endgültig für diesen Call + + # --- ANPASSUNG ENDE --- + + # Wenn nach allen Versuchen keine gueltige Response erhalten wurde + if response is None or error_reason: + # Gebe spezifischen Fehlerwert zurueck + return f"k.A. ({error_reason})" + + + # --- Ab hier: Verarbeitung der erfolgreichen Response --- try: - # Fuehren Sie die GET-Anfrage aus. Der retry_on_failure Decorator behandelt RequestsExceptions. - # Timeout sollte aus Config kommen. verify=verify_cert steuert die SSL-Pruefung. - response = requests.get(url, timeout=getattr(Config, 'REQUEST_TIMEOUT', 15), headers=headers, verify=verify_cert) - # Wirft HTTPError fuer 4xx/5xx Antworten. Wird vom Decorator gefangen und (je nach Status) wiederholt oder als endgueltiger Fehler gemeldet. - response.raise_for_status() - - # Versuchen Sie, das Encoding aus dem Header oder dem Content zu erraten response.encoding = response.apparent_encoding - - # Parsen Sie den HTML-Inhalt mit BeautifulSoup - # Nutzt den konfigurierten Parser aus Config oder einen Fallback soup = BeautifulSoup(response.text, getattr(Config, 'HTML_PARSER', 'html.parser')) - # --- Versuch 1: Hauptinhalt-Tags finden --- - # Verwenden Sie eine Liste von gaengigen Selektoren fuer den Hauptinhaltbereich. content_selectors = [ 'main', 'article', '#content', '#main-content', '.main-content', '.content', - 'div[role="main"]', 'div.page-content', 'div.container' # Weitere gaengige Selektoren + 'div[role="main"]', 'div.page-content', 'div.container' ] - content_area = None # Initialisieren mit None + content_area = None for selector in content_selectors: - content_area = soup.select_one(selector) # Versuche, das erste Element zu finden - if content_area: - # logger.debug(f"Gezielten Inhaltsbereich gefunden mit Selektor '{selector}' fuer {url[:100]}...") # Logge den gefundenen Selektor (gekuerzt) - break # Hoere auf, sobald ein Bereich gefunden wurde + content_area = soup.select_one(selector) + if content_area: break - # Wenn kein spezifischer Inhaltsbereich gefunden wurde if not content_area: - # --- Fallback: Body nehmen, ABER Banner versuchen zu entfernen --- - # logger.debug(f"Kein spezifischer Inhaltsbereich gefunden fuer {url[:100]}... Nutze Body und versuche Banner zu entfernen.") # Logge den Fallback - content_area = soup.find('body') # Versuche, den Body-Tag zu finden - - # Wenn der Body-Tag gefunden wurde + content_area = soup.find('body') if content_area: - # Versuche, haeufige Cookie-Banner Strukturen zu entfernen - # Diese Selektoren sollten angepasst werden, wenn spezifische Banner Probleme machen banner_selectors = [ '[id*="cookie"]', '[class*="cookie"]', '[id*="consent"]', '[class*="consent"]', '.cookie-banner', '.consent-banner', '.modal', '#modal', '.popup', '#popup', - '[role="dialog"]', '[aria-modal="true"]' # Gaengige Rollen/Attribute fuer Dialoge + '[role="dialog"]', '[aria-modal="true"]' ] banners_removed_count = 0 - # Gehe durch die gefundenen Elemente und versuche, Banner zu identifizieren und zu entfernen for selector in banner_selectors: try: - # select findet alle passenden Elemente fuer den aktuellen Selektor potential_banners = content_area.select(selector) for banner in potential_banners: - # Zusaetzliche Pruefung: Enthaehlt das Element typischen Banner-Text ODER relevante Klassen/IDs? - # Vermeiden Sie das Entfernen von echtem Inhalt, der zufaellig Banner-Keywords enthaelt. - banner_text = banner.get_text(" ", strip=True).lower() # Text des Elements - keywords = ["cookie", "zustimm", "ablehnen", "einverstanden", "datenschutz", "privacy", "akzeptier", "einstellung", "partner", "analyse", "marketing"] # Gaengige Keywords - element_id_class = (banner.get('id', '') + ' ' + ' '.join(banner.get('class', []))).lower() # ID und Klassen des Elements - - # Pruefe, ob ein Keyword im Text ODER in ID/Klassen vorkommt + banner_text = banner.get_text(" ", strip=True).lower() + keywords = ["cookie", "zustimm", "ablehnen", "einverstanden", "datenschutz", "privacy", "akzeptier", "einstellung", "partner", "analyse", "marketing"] + element_id_class = (banner.get('id', '') + ' ' + ' '.join(banner.get('class', []))).lower() if any(keyword in banner_text for keyword in keywords) or any(keyword in element_id_class for keyword in keywords): - # logger.debug(f"Entferne potenzielles Banner ({selector}) mit Text: {banner_text[:100]}... oder ID/Class: {element_id_class[:100]}...") # Logge Entfernung (gekuerzt) - banner.decompose() # Entferne das Element aus dem BeautifulSoup-Baum + banner.decompose() banners_removed_count += 1 except Exception as e_select: - # Logge Fehler bei der Banner-Entfernung auf Debug-Level logger.debug(f"Fehler beim Versuch Banner mit Selektor '{selector}' zu entfernen: {e_select}") if banners_removed_count > 0: logger.debug(f"{banners_removed_count} potenzielle Banner-Elemente fuer {url[:100]}... entfernt.") - - # --- Text extrahieren aus gefundenem Bereich (oder Body) --- - # Wenn ein Inhaltsbereich (oder der Body) gefunden wurde if content_area: - # Entferne Skripte und Styles, bevor der Text extrahiert wird for script_or_style in content_area(["script", "style"]): script_or_style.decompose() - # Extrahiere Text mit Leerzeichen als Trenner und bereinige Whitespace text = content_area.get_text(separator=' ', strip=True) - text = re.sub(r'\s+', ' ', text).strip() # Reduziere multiple Leerzeichen und trimme Enden + text = re.sub(r'\s+', ' ', text).strip() - - # --- Zusaetzliche Pruefung: Ist der extrahierte Text *nur* Banner-Text? --- - # Diese Heuristik ist eine Fallback-Massnahme, wenn die Decompose-Logik nicht perfekt war. - banner_keywords_strict = ["cookie", "zustimmen", "ablehnen", "einverstanden", "datenschutz", "privacy", "akzeptier", "einstellung", "partner", "analyse", "marketing"] # Striktere Keywords + banner_keywords_strict = ["cookie", "zustimmen", "ablehnen", "einverstanden", "datenschutz", "privacy", "akzeptier", "einstellung", "partner", "analyse", "marketing"] text_lower = text.lower() - # Zaehle, wie viele stricte Keywords im extrahierten Text vorkommen keyword_hits = sum(1 for keyword in banner_keywords_strict if keyword in text_lower) - # Heuristik: Wenn der Text kurz ist UND viele Banner-Keywords enthaelt -> Verwerfen - # Passen Sie die Schwellenwerte an, um false positives zu vermeiden. - # Eine Laenge unter 500 Zeichen und mindestens 3 stricte Keywords koennte ein Banner sein. if len(text) < 500 and keyword_hits >= 3: - logger.warning(f"WARNUNG: Extrahierter Text fuer {url[:100]}... scheint nur Cookie-Banner zu sein (Laenge {len(text)}, {keyword_hits} Keywords). Verwerfe Text.") # Logge die Warnung - return "k.A. (Nur Cookie-Banner erkannt)" # Gebe spezifischen Fehlerwert zurueck + logger.warning(f"WARNUNG: Extrahierter Text fuer {url[:100]}... scheint nur Cookie-Banner zu sein (Laenge {len(text)}, {keyword_hits} Keywords). Verwerfe Text.") + return "k.A. (Nur Cookie-Banner erkannt)" - # Wenn der Text nach Bereinigung immer noch sehr kurz ist (z.B. nur ein paar Worte), - # kann es sein, dass kein relevanter Inhalt gescrapt wurde. Logge dies optional. if len(text.split()) < 10 or len(text) < 50: - # logger.debug(f"Extrahierter Text fuer {url[:100]}... ist sehr kurz ({len(text.split())} Worte, {len(text)} Zeichen).") # Zu viel Laerm im Debug - pass # Behalte den Text, keine weitere Filterung + pass - # Begrenzen Sie die Laenge des zurueckgegebenen Rohtextes (Optional, aber empfohlen) result = text[:max_length] - # Loggen Sie den Erfolg des Scrapings logger.debug(f"Website {url[:100]}... erfolgreich gescrapt. Extrahierter Text (Laenge {len(result)}).") - # logger.debug(f"Extrahierter Text Anfang: {result[:100]}...") # Logge den Anfang des Textes (gekuerzt) - # Gebe den gekuerzten Text zurueck, oder "k.A." wenn er leer ist return result if result else "k.A. (Extraktion leer)" - else: - # Wenn weder Body noch spezifischer Inhaltsbereich gefunden wurde - logger.warning(f"Kein oder spezifischer Inhaltsbereich gefunden in {url[:100]}...") # Logge die Warnung - return "k.A. (Kein Body gefunden)" # Gebe spezifischen Fehlerwert zurueck + logger.warning(f"Kein oder spezifischer Inhaltsbereich gefunden in {url[:100]}...") + return "k.A. (Kein Body gefunden)" - - # Exceptions (wie RequestsErrors) werden vom retry_on_failure Decorator behandelt. - # Wenn eine Exception hier durchkommt, hat der Decorator aufgegeben. - except Exception as e: # Fangen Sie alle verbleibenden Exceptions, die nicht vom Decorator behandelt wurden - # Logge den Fehler auf Error-Level - logger.error(f"Allgemeiner Fehler beim Scraping von {url[:100]}...: {type(e).__name__} - {e}") - # Die Exception wurde bereits vom retry_on_failure Decorator als finaler Fehler geloggt. - # Geben Sie einen Fehlerwert zurueck, der im Sheet gespeichert werden kann. - return f"k.A. (Fehler: {str(e)[:100]}...)" # Signalisiert Fehler (gekuerzt) + except Exception as e_parse: + logger.error(f"Fehler beim Parsen von HTML von {url[:100]}...: {type(e_parse).__name__} - {e_parse}") + logger.debug(traceback.format_exc()) + return f"k.A. (Fehler Parsing: {str(e_parse)[:50]}...)" # ==============================================================================