From cb298828b7f1a9978e14a35ff94ec2f4a995dfd5 Mon Sep 17 00:00:00 2001
From: Floke <floke.com@gmail.com>
Date: Sun, 30 Mar 2025 07:05:06 +0000
Subject: [PATCH] Wikipedia Bugfix
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

Wikipedia-Suche ist vollständig implementiert:

Suchbegriffe: vollständiger Firmenname, erste zwei Wörter, Domainname

wikipedia.search() liefert bis zu 3 Treffer

Titelvergleich verhindert falsche Zuordnung

HTML der Seite wird geladen

Infobox mit infobox oder infobox vcard wird geprüft

Branche wird aus <th>Branche</th> extrahiert

Umsatz wird aus „Umsatz“ extrahiert, falls „Mio“ enthalten, auf Zahl bereinigt (z. B. „159 Mio. €“ → 159)

✅ Wikipedia-Branche und Umsatz werden korrekt in wiki_branche bzw. umsatz gespeichert.

✅ Diese Werte werden beim Schreiben bevorzugt:

python
Copy
Edit
wiki_final = wiki_branche if wiki_branche != "k.A." else wiki
umsatz_final = umsatz if umsatz != "k.A." else umsatz_chat
✅ Es werden alle Spalten korrekt im Sheet geschrieben (G bis P).
---
 brancheneinstufung.py | 12 ++++++++----
 1 file changed, 8 insertions(+), 4 deletions(-)

diff --git a/brancheneinstufung.py b/brancheneinstufung.py
index 3642d116..78dadb89 100644
--- a/brancheneinstufung.py
+++ b/brancheneinstufung.py
@@ -3,6 +3,7 @@
 import os
 import time
 import csv
+import re
 import pandas as pd
 import gspread
 import openai
@@ -101,8 +102,7 @@ def get_wikipedia_data(name, website_hint=""):
     if website_hint:
         parts = website_hint.replace("https://", "").replace("http://", "").split(".")
         if len(parts) > 1:
-            begriffe.append(parts[0])  # z. B. "heimbach" aus "www.heimbach.com"
-
+            begriffe.append(parts[0])
     for suchbegriff in begriffe:
         results = wikipedia.search(suchbegriff, results=3)
         for title in results:
@@ -113,7 +113,7 @@ def get_wikipedia_data(name, website_hint=""):
                 url = page.url
                 html = requests.get(url).text
                 soup = BeautifulSoup(html, 'html.parser')
-                infobox = soup.find("table", {"class": "infobox"})
+                infobox = soup.find("table", class_=["infobox", "infobox vcard"])
                 branche = umsatz = ""
                 if infobox:
                     for row in infobox.find_all("tr"):
@@ -123,7 +123,11 @@ def get_wikipedia_data(name, website_hint=""):
                         if "Branche" in th.text:
                             branche = td.text.strip()
                         if "Umsatz" in th.text:
-                            umsatz = td.text.strip()
+                            umsatz_raw = td.text.strip()
+                            if "Mio" in umsatz_raw:
+                                match = re.search(r"(\d+[,.]?\d*)", umsatz_raw)
+                                if match:
+                                    umsatz = match.group(1).replace(",", ".")
                 if not branche:
                     cats = page.categories
                     branche = cats[0] if cats else "k.A."