Floke/Brancheneinstufung2
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

BugfixingChat GPT

Browse Source 
GoogleSheetHandler: Der Update-Bereich wurde auf G{row_num}:R{row_num} erweitert, um 12 Spalten zu umfassen.

WikipediaScraper:

Die Methode extract_full_infobox holt den gesamten Infobox-Text mit | als Trenner.

Mit extract_fields_from_infobox_text werden gezielt die Felder "Branche" und "Umsatz" gesucht.

In extract_company_data wird zuerst versucht, die Werte aus dem kompletten Infobox-Text zu extrahieren, bevor der Fallback genutzt wird.

DataProcessor: Die Ausgabe im Sheet umfasst nun als erste Spalte den gesamten Infobox-Text.
This commit is contained in:
Floke
2025-03-31 18:08:51 +00:00
parent 89a6b97253
commit f046311521
1 changed files with 52 additions and 51 deletions
Download Patch File Download Diff File Expand all files Collapse all files

103
brancheneinstufung.py
View File

@@ -46,7 +46,6 @@ def clean_text(text):
"""Bereinigt Text von unerwünschten Zeichen"""
if not text:
return "k.A."
text = str(text)
text = re.sub(r'\[\d+\]', '', text) # Entferne Referenznummern
text = re.sub(r'\s+', ' ', text).strip()
@@ -80,6 +79,7 @@ class GoogleSheetHandler:
def update_row(self, row_num, values):
"""Aktualisiert eine Zeile im Sheet"""
# ACHTUNG: Bereich auf G bis R erweitern, um 12 Spalten zu umfassen.
self.sheet.update(
range_name=f"G{row_num}:R{row_num}",
values=[values]
@@ -96,7 +96,6 @@ class WikipediaScraper:
"""Normalisiert URLs zu reinen Domainnamen"""
if not website:
return ""
domain = re.sub(r'^https?:\/\/(www\.)?', '', website.lower())
domain = re.sub(r'\/.*$', '', domain)
domain = domain.split('.')[0]
@@ -106,22 +105,18 @@ class WikipediaScraper:
def _generate_search_terms(self, company_name, website):
"""Generiert Suchbegriffe mit optimierter URL-Verarbeitung"""
terms = []
clean_name = re.sub(
r'\s+(GmbH|AG|KG|Co\. KG|e\.V\.|mbH|& Co).*$',
'',
company_name
).strip()
terms.extend([company_name.strip(), clean_name])
domain = self._normalize_domain(website)
if domain and domain not in ["de", "com", "org"]:
terms.append(domain)
name_parts = [p for p in re.split(r'\W+', clean_name) if p and len(p) > 3]
if len(name_parts) >= 2:
terms.append(" ".join(name_parts[:2]))
debug_print(f"Generierte Suchbegriffe: {list(set(terms))}")
return list(set(terms))
@@ -131,7 +126,6 @@ class WikipediaScraper:
clean_company = re.sub(r'[^a-zäöüß ]', '', company_name.lower())
similarity = SequenceMatcher(None, clean_title, clean_company).ratio()
debug_print(f"Ähnlichkeit: {similarity:.2f} ({clean_title} vs {clean_company})")
if domain_hint:
try:
html_content = requests.get(page.url).text.lower()
@@ -140,7 +134,6 @@ class WikipediaScraper:
return False
except Exception as e:
debug_print(f"Domain-Check fehlgeschlagen: {str(e)}")
return similarity >= Config.SIMILARITY_THRESHOLD
@retry_on_failure
@@ -148,12 +141,10 @@ class WikipediaScraper:
"""Hauptfunktion zur Artikelsuche"""
search_terms = self._generate_search_terms(company_name, website)
domain_hint = self._normalize_domain(website)
for term in search_terms:
try:
results = wikipedia.search(term, results=Config.WIKIPEDIA_SEARCH_RESULTS)
debug_print(f"Suchergebnisse für '{term}': {results}")
for title in results:
try:
page = wikipedia.page(title, auto_suggest=False)
@@ -168,35 +159,13 @@ class WikipediaScraper:
continue
return None
def extract_company_data(self, page_url):
"""Extrahiert Daten aus dem Wikipedia-Artikel"""
if not page_url:
return {
'full_infobox': self.extract_full_infobox(soup),'branche': 'k.A.', 'umsatz': 'k.A.', 'url': ''}
try:
response = requests.get(page_url)
soup = BeautifulSoup(response.text, Config.HTML_PARSER)
return {
'full_infobox': self.extract_full_infobox(soup),
'branche': self._extract_infobox_value(soup, 'branche'),
'umsatz': self._extract_infobox_value(soup, 'umsatz'),
'url': page_url
}
except Exception as e:
debug_print(f"Extraktionsfehler: {str(e)}")
return {
'full_infobox': self.extract_full_infobox(soup),'branche': 'k.A.', 'umsatz': 'k.A.', 'url': page_url}
def _extract_infobox_value(self, soup, target):
"""Extrahiert Werte aus der Infobox"""
"""Extrahiert Werte aus der Infobox (Fallback-Methode)"""
infobox = soup.find('table', class_=lambda c: c and any(
kw in c.lower() for kw in ['infobox', 'vcard', 'unternehmen']
))
if not infobox:
return "k.A."
keywords = {
'branche': [
'branche', 'industrie', 'tätigkeit',
@@ -209,21 +178,17 @@ class WikipediaScraper:
'einnahmen', 'ergebnis', 'jahresergebnis'
]
}[target]
for row in infobox.find_all('tr'):
header = row.find('th')
if header:
header_text = clean_text(header.get_text()).lower()
if any(kw in header_text for kw in keywords):
value = row.find('td')
if value:
raw_value = clean_text(value.get_text())
if target == 'branche':
clean = re.sub(r'\[.*?\]|\(.*?\)', '', raw_value)
return ' '.join(clean.split()).strip()
clean_val = re.sub(r'\[.*?\]|\(.*?\)', '', raw_value)
return ' '.join(clean_val.split()).strip()
if target == 'umsatz':
match = re.search(
r'(\d{1,3}(?:[.,]\d{3})*)\s*'
@@ -238,20 +203,55 @@ class WikipediaScraper:
num *= 1000
return f"{num:.1f} Mio €"
return raw_value.strip()
return "k.A."
def extract_full_infobox(self, soup):
"""Extrahiert die komplette Infobox als Text"""
infobox = soup.find('table', class_=lambda c: c and any(
kw in c.lower() for kw in ['infobox', 'vcard', 'unternehmen']
))
if not infobox:
return "k.A."
return clean_text(infobox.get_text(separator=' | '))
def extract_fields_from_infobox_text(self, infobox_text, field_names):
"""Extrahiert die gewünschten Felder (z.B. Branche, Umsatz) aus dem Infobox-Text.
Es wird angenommen, dass die Felder durch ' | ' getrennt sind."""
result = {}
tokens = [token.strip() for token in infobox_text.split("|") if token.strip()]
for i, token in enumerate(tokens):
for field in field_names:
if token.lower() == field.lower():
# Nächstes nicht-leeres Token als Wert
j = i + 1
while j < len(tokens) and not tokens[j]:
j += 1
result[field] = tokens[j] if j < len(tokens) else "k.A."
return result
def extract_company_data(self, page_url):
"""Extrahiert Daten aus dem Wikipedia-Artikel"""
if not page_url:
return {'branche': 'k.A.', 'umsatz': 'k.A.', 'url': '', 'full_infobox': 'k.A.'}
try:
response = requests.get(page_url)
soup = BeautifulSoup(response.text, Config.HTML_PARSER)
# Gesamte Infobox extrahieren
full_infobox = self.extract_full_infobox(soup)
# Versuch, Felder aus dem kompletten Infobox-Text herauszulesen
extracted_fields = self.extract_fields_from_infobox_text(full_infobox, ['Branche', 'Umsatz'])
# Fallback: Falls kein Wert gefunden wird, dann nutze die alte Methode
branche_val = extracted_fields.get('Branche', self._extract_infobox_value(soup, 'branche'))
umsatz_val = extracted_fields.get('Umsatz', self._extract_infobox_value(soup, 'umsatz'))
return {
'full_infobox': full_infobox,
'branche': branche_val,
'umsatz': umsatz_val,
'url': page_url
}
except Exception as e:
debug_print(f"Extraktionsfehler: {str(e)}")
return {'branche': 'k.A.', 'umsatz': 'k.A.', 'url': page_url, 'full_infobox': 'k.A.'}
# ==================== DATA PROCESSOR ====================
class DataProcessor:
@@ -265,7 +265,6 @@ class DataProcessor:
"""Verarbeitet die angegebene Anzahl an Zeilen"""
start_index = self.sheet_handler.get_start_index()
print(f"Starte bei Zeile {start_index+1}")
for i in range(start_index, min(start_index + num_rows, len(self.sheet_handler.sheet_values))):
row = self.sheet_handler.sheet_values[i]
self._process_single_row(i+1, row)
@@ -275,9 +274,7 @@ class DataProcessor:
company_name = row_data[0] if len(row_data) > 0 else ""
website = row_data[1] if len(row_data) > 1 else ""
print(f"\n[{datetime.now().strftime('%H:%M:%S')}] Verarbeite Zeile {row_num}: {company_name}")
article = self.wiki_scraper.search_company_article(company_name, website)
if article:
company_data = self.wiki_scraper.extract_company_data(article.url)
else:
@@ -285,7 +282,7 @@ class DataProcessor:
current_values = self.sheet_handler.sheet.row_values(row_num)
new_values = [
company_data.get('full_infobox', 'k.A.'),
company_data.get('full_infobox', 'k.A.'), # Spalte G: kompletter Infobox-Text
company_data['branche'] if company_data['branche'] != "k.A." else current_values[6] if len(current_values) > 6 else "k.A.",
"k.A.",
company_data['umsatz'] if company_data['umsatz'] != "k.A." else current_values[8] if len(current_values) > 8 else "k.A.",
@@ -296,12 +293,16 @@ class DataProcessor:
Config.VERSION
]
self.sheet_handler.update_row(row_num, new_values)
print(f"✅ Aktualisiert: Branche: {new_values[0]}, Umsatz: {new_values[2]}, URL: {new_values[6]}")
print(f"✅ Aktualisiert: Branche: {new_values[1]}, Umsatz: {new_values[3]}, URL: {new_values[7]}")
time.sleep(Config.RETRY_DELAY)
# ==================== MAIN ====================
if __name__ == "__main__":
num_rows = int(input("Wieviele Zeilen sollen überprüft werden? "))
try:
num_rows = int(input("Wieviele Zeilen sollen überprüft werden? "))
except Exception as e:
print("Ungültige Eingabe. Bitte eine Zahl eingeben.")
exit(1)
processor = DataProcessor()
processor.process_rows(num_rows)
print("\n✅ Wikipedia-Auswertung abgeschlossen")
print("\n✅ Wikipedia-Auswertung abgeschlossen")