erweiterung normalize URL

helpers.py

@@ -207,13 +207,23 @@ def create_log_filename(mode):
 # ==============================================================================
 
 def simple_normalize_url(url):
-    """Normalisiert URL zu domain.tld oder k.A. (ohne www, ohne Pfad)."""
+    """
+    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.
+    """
     logger = logging.getLogger(__name__)
-    if not url or not isinstance(url, str): return "k.A."
+    if not url or not isinstance(url, str):
-    url = url.strip()
+        return "k.A."
-    if not url or url.lower() == 'k.a.': return "k.A."
 
-    if not url.lower().startswith(("http://", "https://")):
+    # 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:
@@ -223,34 +233,43 @@ def simple_normalize_url(url):
             logger.debug(f"URL '{url[:100]}...' konnte nicht sinnvoll geparst werden (leerer netloc).")
             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]
-
+             
+        # 3. KORRIGIERTE LOGIK: Zuerst in IDNA encodieren, dann als ASCII decodieren
         try:
-            domain_part = domain_part.encode('ascii').decode('idna')
+            # Das ist der entscheidende Schritt für Umlaute etc.
-        except UnicodeDecodeError:
+            # 'lübeck.de' -> b'xn--lbeck-5wa.de' (bytes)
-             pass
+            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-Pruefung schlug fehl.")
+                  logger.debug(f"URL '{url[:100]}...' normalisiert zu '{domain_part}', aber TLD-Prüfung schlug fehl.")
                   return "k.A."
         else:
-             logger.debug(f"URL '{url[:100]}...' normalisiert zu '{domain_part}', enthaelt keinen Punkt oder ist leer.")
+             logger.debug(f"URL '{url[:100]}...' normalisiert zu '{domain_part}', enthält keinen Punkt oder ist leer.")
              return "k.A."
 
     except Exception as e:
-        logger.error(f"Fehler bei URL-Normalisierung fuer '{url[:100]}...': {e}")
+        logger.error(f"Unerwarteter Fehler bei URL-Normalisierung für '{url[:100]}...': {e}")
-        return "k.A. (Fehler Normalisierung)"
+        return "k.A. (Fehler bei Normalisierung)"
 
 
 def normalize_string(s):