Re-Evaluierungsmodus: Vollständige Infobox-Ausgabe und verbesserte Umsatz-/Mitarbeiterextraktion (v1

Infobox-Debug im Re-Evaluierungsmodus:
Im Re-Evaluierungsmodus (Modus "2") wird nun der komplette Inhalt der Infobox (Key "full_infobox") in der Konsole ausgegeben.

Umsatz-Extraktion:
Die Regex wurde angepasst, um Zahlenstrings robuster zu normalisieren – Punkte als Tausendertrennzeichen werden entfernt, Kommas als Dezimaltrenner genutzt. Fehlt eine Einheit ("mio"/"mrd"), wird der Wert als Euro angenommen und durch 1.000.000 geteilt.

Mitarbeiterextraktion:
Die Regex für Mitarbeiter wurde erweitert: Wird explizit "mitarbeiterzahl" gefunden, wird der direkt folgende Zahlenwert extrahiert; sonst wird der erste gefundene Zahlenwert verwendet. Weitere Synonyme wie "angestellte", "belegschaft" und "personalstärke" sind in der Schlüsselwortliste enthalten.

Re-Evaluierungsmodus:
Im Modus "2" werden alle Zeilen verarbeitet, die in Spalte A ein "x" enthalten – ohne Nachfrage nach Zeilenzahl und ohne Ausgabe von übersprungenen Zeilen.

Spaltenanpassungen:

Normalmodus: Firmenname in A, Website in B; Ausgabe in G:K, Datum in N, Version in Q.

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

brancheneinstufung.py

@@ -12,7 +12,7 @@ import csv
 
 # ==================== KONFIGURATION ====================
 class Config:
-    VERSION = "1.1.8"  # Neue Version
+    VERSION = "1.1.9"  # Neue Version mit Re-Evaluierungsmodus, Umsatz- und Mitarbeiteroptimierung
     LANG = "de"
     CREDENTIALS_FILE = "service_account.json"
     SHEET_URL = "https://docs.google.com/spreadsheets/d/1u_gHr9JUfmV1-iviRzbSe3575QEp7KLhK5jFV_gJcgo"
@@ -199,12 +199,13 @@ class WikipediaScraper:
                             return raw_value.strip()
                         if target == 'mitarbeiter':
                             raw = raw_value.lower()
-                            # Spezifisch nach "mitarbeiterzahl" suchen und den direkt folgenden Zahlenwert extrahieren
+                            # Spezifische Suche: Wenn "mitarbeiterzahl" vorkommt, direkt danach extrahieren.
                             if "mitarbeiterzahl" in raw:
                                 match = re.search(r'mitarbeiterzahl\D*(\d+)', raw)
                                 if match:
+                                    debug_print(f"Mitarbeiterzahl gefunden: {match.group(1)} in Text: {raw_value}")
                                     return match.group(1)
-                            # Alternativ: Finde die erste Zahl
+                            # Fallback: Erste gefundene Zahl
                             numbers = re.findall(r'\d+', raw)
                             if numbers:
                                 return numbers[0]
@@ -228,7 +229,7 @@ class WikipediaScraper:
         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.'}
+            return {'url': 'k.A.', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'full_infobox': 'k.A.'}
         try:
             response = requests.get(page_url)
             soup = BeautifulSoup(response.text, Config.HTML_PARSER)
@@ -243,11 +244,12 @@ class WikipediaScraper:
                 'first_paragraph': first_paragraph,
                 'branche': branche_val,
                 'umsatz': umsatz_val,
-                'mitarbeiter': mitarbeiter_val
+                'mitarbeiter': mitarbeiter_val,
+                'full_infobox': full_infobox
             }
         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.'}
+            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)
@@ -304,7 +306,8 @@ class DataProcessor:
         if article:
             company_data = self.wiki_scraper.extract_company_data(article.url)
         else:
-            company_data = {'url': 'k.A.', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.'}
+            company_data = {'url': 'k.A.', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'full_infobox': 'k.A.'}
+        # Update der Spalten
         self.sheet_handler.sheet.update(values=[[
             company_data.get('url', 'k.A.'),
             company_data.get('first_paragraph', 'k.A.'),
@@ -316,6 +319,11 @@ class DataProcessor:
         self.sheet_handler.sheet.update(values=[[current_dt]], range_name=dt_range)
         self.sheet_handler.sheet.update(values=[[Config.VERSION]], range_name=ver_range)
         print(f"✅ Aktualisiert: URL: {company_data.get('url', 'k.A.')}, Erster Absatz: {company_data.get('first_paragraph', 'k.A.')[:30]}..., Branche: {company_data.get('branche', 'k.A.')}, Umsatz: {company_data.get('umsatz', 'k.A.')}, Mitarbeiter: {company_data.get('mitarbeiter', 'k.A.')}")
+        # Im Re-Evaluierungsmodus: Ausgabe des kompletten Infobox-Inhalts in der Konsole
+        if MODE == "2":
+            print("----- Vollständiger Infobox-Inhalt -----")
+            print(company_data.get("full_infobox", "k.A."))
+            print("----------------------------------------")
         time.sleep(Config.RETRY_DELAY)
 
 # ==================== MAIN ====================