deepseek V7

Vollständige Implementierung der _extract_infobox_value-Methode

Erweiterte Schlüsselwörter für deutsche Infoboxen

Verbesserte Textbereinigung für Branchenangaben

Toleranz für verschiedene Zahlenformate

Debug-Output für jeden Verarbeitungsschritt

brancheneinstufung.py

@@ -179,71 +179,72 @@ class WikipediaScraper:
             debug_print(f"Extraktionsfehler: {str(e)}")
             return {'branche': 'k.A.', 'umsatz': 'k.A.', 'url': page_url}
 
-def _extract_infobox_value(self, soup, target):
+    def _extract_infobox_value(self, soup, target):
-    """Verbesserte Infobox-Extraktion mit erweiterten Mustern"""
+        """Robuste Infobox-Extraktion mit erweiterten Mustern"""
-    # Erweiterte Infobox-Erkennung
+        debug_print(f"Starte Extraktion für: {target}")
-def _extract_infobox_value(self, soup, target):
+        
-    """Robuste Infobox-Extraktion mit erweiterten Mustern"""
+        # Erweiterte Infobox-Erkennung
-    # Erweiterte Infobox-Erkennung
+        infobox = soup.find('table', class_=lambda c: c and any(
-    infobox = soup.find('table', {'class': lambda c: c and 'infobox' in c.lower()})
+            kw in c.lower() for kw in ['infobox', 'vcard', 'unternehmen', 'firmendaten']
-    
+        ))
-    if not infobox:
+        
-        debug_print("Keine Infobox mit Klasse 'infobox' gefunden")
-        infobox = soup.find('table', {'class': 'wikitable'})
         if not infobox:
+            debug_print("Keine Infobox gefunden")
             return "k.A."
 
-    keywords = {
+        # Erweiterte Keywords für Deutsch
-        'branche': [
+        keywords = {
-            'branche', 'industrie', 'tätigkeitsfeld', 
+            'branche': [
-            'geschäftsfeld', 'sektor', 'produkte',
+                'branche', 'industrie', 'tätigkeitsfeld',
-            'leistungen', 'aktivitäten', 'geschäftsbereich'
+                'geschäftsfeld', 'sektor', 'branchen',
-        ],
+                'wirtschaftszweig', 'tätigkeitsbereich',
-        'umsatz': [
+                'produkte', 'leistungen', 'aktivität'
-            'umsatz', 'jahresumsatz', 'konzernumsatz',
+            ],
-            'gesamtumsatz', 'erlöse', 'umsatzerlöse',
+            'umsatz': [
-            'ergebnis', 'einnahmen'
+                'umsatz', 'jahresumsatz', 'konzernumsatz',
-        ]
+                'gesamtumsatz', 'umsatzerlöse', 'erlöse',
-    }[target]
+                'umsatzentwicklung', 'ergebnis', 
+                'einnahmen', 'jahresergebnis'
+            ]
+        }[target]
 
-    # Durchsuche alle Tabellenzeilen
+        # Durchsuche alle Tabellenzeilen
-    for row in infobox.find_all('tr'):
+        for row in infobox.find_all('tr'):
-        th = row.find('th')
+            header = row.find('th')
-        if not th:
+            if header:
-            continue
+                header_text = clean_text(header.get_text()).lower()
-            
+                debug_print(f"Prüfe Header: {header_text}")
-        header_text = clean_text(th.get_text()).lower()
-        debug_print(f"Prüfe Header: {header_text}")
-        
-        if any(kw in header_text for kw in keywords):
-            td = row.find('td')
-            if not td:
-                continue
                 
-            value = clean_text(td.get_text())
+                if any(kw in header_text for kw in keywords):
-            
+                    value_cell = row.find('td')
-            # Spezielle Verarbeitung für Branche
+                    if value_cell:
-            if target == 'branche':
+                        value = clean_text(value_cell.get_text())
-                # Entferne überflüssige Zusätze
+                        
-                value = re.sub(r'\(.*?\)', '', value)
+                        # Branchenbereinigung
-                return value.strip()
+                        if target == 'branche':
-            
+                            # Entferne Klammerzusätze und Formatierungen
-            # Umsatzverarbeitung
+                            value = re.sub(r'\[.*?\]|\(.*?\)', '', value)
-            if target == 'umsatz':
+                            return ' '.join(value.split()).strip()
-                # Finde numerische Werte mit Einheiten
+                        
-                match = re.search(
+                        # Umsatzbereinigung
-                    r'(\d{1,3}(?:[.,]\d{3})*)\s*(?:Mio\.?|Millionen|Mrd\.?|Milliarden)?',
+                        if target == 'umsatz':
-                    value.replace('.', '').replace(',', '.')
+                            # Finde numerische Werte
-                )
+                            match = re.search(
-                if match:
+                                r'(\d{1,3}(?:[.,]\d{3})*)\s*'
-                    number = float(match.group(1))
+                                r'(?:Mio\.?|Millionen|Mrd\.?|Milliarden)?\s*'
-                    if 'mrd' in value.lower() or 'milliarden' in value.lower():
+                                r'(?:€|Euro|EUR)?',
-                        number *= 1000
+                                value.replace('.', '').replace(',', '.'),
-                    return f"{number:.1f} Mio €"
+                                re.IGNORECASE
-                return value.strip()
+                            )
-    
+                            if match:
-    debug_print(f"{target}-Eintrag nicht gefunden")
+                                num_value = float(match.group(1))
-    return "k.A."
+                                if 'mrd' in value.lower() or 'milliarden' in value.lower():
+                                    num_value *= 1000
+                                return f"{num_value:.1f} Mio €"
+                            return value.strip()
+        
+        debug_print(f"{target} nicht gefunden")
+        return "k.A."
 
 # ==================== DATA PROCESSOR ====================
 class DataProcessor: