#!/usr/bin/env python3 """ Automatisiertes Unternehmensbewertungs-Skript - Refactoring v1.7.0 Basierend auf v1.6.x - Umstrukturierung in modulare Klassen und flexibles UI. Dieses Skript dient der automatisierten Anreicherung, Validierung und Standardisierung von Unternehmensdaten, primär aus einem Google Sheet, ergänzt durch Web Scraping, Wikipedia, OpenAI (ChatGPT) und SerpAPI (Google Search, LinkedIn). Autor: [Ihr Name/Pseudonym] Version: v1.7.1 Hinweis zur Struktur: Dieser Code wird in logischen Bloecken uebermittelt. Fuegen Sie die Bloecke nacheinander in diese einzige Datei ein, achten Sie sorgfaeltig auf die Einrueckung. Jeder Block muss auf oberster Ebene eingefuegt werden (keine Einrueckung). Die Kommentare wie '# ==================================================' markieren den Beginn neuer logischer Sektionen oder Klassen. """ # ============================================================================== # 1. IMPORTS # ============================================================================== # Standardbibliotheken import os import time import re import csv import json import pickle import threading import traceback import logging # logging Modul importieren import argparse import random # Fuer Jitter im Retry Decorator from datetime import datetime from urllib.parse import urlparse, urlencode, unquote import openai # Sicherstellen, dass openai global importiert wird # Externe Bibliotheken import gspread # Stellen Sie sicher, dass gspread >= 5.0.0 installiert ist, da APIError anders behandelt wird # (Unser Code sollte mit den neueren Versionen kompatibel sein) import wikipedia # Stellen Sie sicher, dass wikipedia-api nicht gleichzeitig installiert ist (Konflikt). import requests # Fuer HTTP-Anfragen # Stellen Sie sicher, dass requests >= 2.0.0 installiert ist from bs4 import BeautifulSoup # Fuer HTML-Parsing # Stellen Sie sicher, dass lxml oder html5lib installiert ist (empfohlen statt html.parser) # z.B. pip install lxml from oauth2client.service_account import ServiceAccountCredentials # gspread dependency from difflib import SequenceMatcher # Fuer String-Aehnlichkeit import unicodedata # Fuer Text-Normalisierung # Bibliotheken fuer Datenanalyse und ML import pandas as pd import numpy as np from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.impute import SimpleImputer from sklearn.tree import DecisionTreeClassifier, export_text from sklearn.metrics import accuracy_score, classification_report, confusion_matrix import concurrent.futures # Fuer parallele Verarbeitung # Spezifische externe Tools try: import gender_guesser.detector as gender # Fuer Geschlechtserkennung # Initialisieren Sie den Detector einmal global (wird im Helper benutzt) gender_detector = gender.Detector() print("gender_guesser.Detector initialisiert.") except ImportError: gender = None gender_detector = None print("gender_guesser Bibliothek nicht gefunden. Geschlechtserkennung deaktiviert.") except Exception as e: gender = None gender_detector = None print(f"Fehler bei Initialisierung von gender_guesser: {e}. Geschlechtserkennung deaktiviert.") # Optional: tiktoken fuer Token-Zaehlung (Modus 8) try: import tiktoken print("tiktoken importiert.") # Debugging-Ausgabe (geht nur an Konsole vor Logger Setup) except ImportError: tiktoken = None print("tiktoken nicht gefunden. Token-Zaehlung wird geschaetzt.") # Debugging-Ausgabe # ============================================================================== # 2. GLOBALE KONSTANTEN UND KONFIGURATION # (Logisch 'config.py') # ============================================================================== # --- Dateipfade --- CREDENTIALS_FILE = "service_account.json" API_KEY_FILE = "api_key.txt" # OpenAI SERP_API_KEY_FILE = "serpApiKey.txt" GENDERIZE_API_KEY_FILE = "genderize_API_Key.txt" BRANCH_MAPPING_FILE = "ziel_Branchenschema.csv" # Enthält Zielschema LOG_DIR = "Log" # --- ML Modell Artefakte --- MODEL_FILE = "technician_decision_tree_model.pkl" IMPUTER_FILE = "median_imputer.pkl" PATTERNS_FILE_TXT = "technician_patterns.txt" # Alt (Optional beibehalten) PATTERNS_FILE_JSON = "technician_patterns.json" # Neu (Empfohlen) # --- Globale Konfiguration Klasse --- class Config: """Zentrale Konfigurationseinstellungen.""" VERSION = "v1.7.1" LANG = "de" # Sprache fuer Wikipedia etc. # ACHTUNG: SHEET_URL ist hier ein Platzhalter. Ersetzen Sie ihn durch Ihre tatsaechliche URL. SHEET_URL = "https://docs.google.com/spreadsheets/d/1u_gHr9JUfmV1-iviRzbSe3575QEp7KLhK5jFV_gJcgo" # <<< ERSETZEN SIE DIES! MAX_RETRIES = 5 # Anzahl der Versuche (nicht Wiederholungen nach dem ersten Fehler) fuer wiederholbare Fehler RETRY_DELAY = 10 # Basiswartezeit (Sekunden) fuer Retries (exponentieller Backoff wird im Decorator angewendet) REQUEST_TIMEOUT = 20 # Timeout (Sekunden) fuer externe HTTP/API Anfragen (Requests) SIMILARITY_THRESHOLD = 0.65 # Schwelle fuer Namensaaehnlichkeit bei Wikipedia Validierung DEBUG = True # Detailliertes Logging aktivieren/deaktivieren WIKIPEDIA_SEARCH_RESULTS = 5 # Anzahl Ergebnisse bei Wikipedia Suche ueber Bibliothek HTML_PARSER = "html.parser" # Parser fuer BeautifulSoup ('lxml' ist schneller, erfordert aber Installation) TOKEN_MODEL = "gpt-3.5-turbo" # OpenAI Modell fuer Token-Zaehlung/Chat (Standard fuer die meisten Calls) USER_AGENT = 'Mozilla/5.0 (compatible; UnternehmenSkript/1.0; +https://www.example.com/bot)' # User-Agent fuer Web Scraping/Requests (Beispiel URL anpassen) # --- Konfiguration fuer Batching & Parallelisierung --- # Passen Sie diese Werte an die Leistung Ihres Systems und die API-Limits an. PROCESSING_BATCH_SIZE = 20 # Anzahl Zeilen pro Verarbeitungs-Batch (fuer _process_single_row in Batches) OPENAI_BATCH_SIZE_LIMIT = 4 # Max. Texte pro OpenAI Call fuer Zusammenfassung (nur fuer summarize_batch_openai) MAX_SCRAPING_WORKERS = 10 # Threads fuer paralleles Website-Scraping UPDATE_BATCH_ROW_LIMIT = 50 # Zeilen sammeln fuer gebuendelte Sheet Updates (effizienter) MAX_BRANCH_WORKERS = 10 # Threads fuer parallele Branchenbewertung OPENAI_CONCURRENCY_LIMIT = 3 # Max. gleichzeitige OpenAI Calls (Semaphore fuer Branch Evaluation) PROCESSING_BRANCH_BATCH_SIZE = 20 # Batch-Groesse fuer Branch-Evaluierung SERPAPI_DELAY = 1.5 # Pause zwischen einzelnen SerpAPI-Aufrufen (Sekunden) # --- API Schluessel Speicherung (werden in main() geladen) --- API_KEYS = {} @classmethod def load_api_keys(cls): """Laedt API-Schluessel aus den definierten Dateien.""" # Verwenden Sie print, da der Logger hier noch nicht vollstaendig konfiguriert ist. print("Lade API-Schluessel...") cls.API_KEYS['openai'] = cls._load_key_from_file(API_KEY_FILE) cls.API_KEYS['serpapi'] = cls._load_key_from_file(SERP_API_KEY_FILE) cls.API_KEYS['genderize'] = cls._load_key_from_file(GENDERIZE_API_KEY_FILE) # Stelle sicher, dass das 'openai' Modul im Scope dieser Methode bekannt ist import openai # Importiere hier, um sicherzustellen, dass es verfuegbar ist if cls.API_KEYS.get('openai'): # Setze den OpenAI API Key global fuer die Bibliothek openai.api_key = cls.API_KEYS['openai'] print("OpenAI API Key erfolgreich geladen.") else: print("WARNUNG: OpenAI API Key konnte nicht geladen werden (Datei fehlt oder ist leer?). OpenAI-Funktionen sind deaktiviert.") if not cls.API_KEYS.get('serpapi'): print("WARNUNG: SerpAPI Key konnte nicht geladen werden (Datei fehlt oder ist leer?). Bestimmte Suchfunktionen sind deaktiviert.") if not cls.API_KEYS.get('genderize'): print("WARNUNG: Genderize API Key konnte nicht geladen werden (Datei fehlt oder ist leer?). Geschlechtserkennung ist eingeschraenkt.") @staticmethod def _load_key_from_file(filepath): """Hilfsfunktion zum Laden eines Schluessels aus einer Datei.""" try: # Verwenden Sie "r" fuer Textmodus und geben Sie das Encoding an with open(filepath, "r", encoding="utf-8") as f: key = f.read().strip() if key: return key else: print(f"WARNUNG: Datei '{filepath}' ist leer.") return None except FileNotFoundError: print(f"INFO: API-Schluesseldatei '{filepath}' nicht gefunden.") return None except Exception as e: print(f"FEHLER beim Lesen der Schluesseldatei '{filepath}': {e}") return None # --- Globale Spalten-Mapping (WICHTIG: MUSS ZU IHREM SHEET PASSEN!) --- COLUMN_MAP = { "ReEval Flag": 0, "CRM Name": 1, "CRM Kurzform": 2, "CRM Website": 3, "CRM Ort": 4, "CRM Beschreibung": 5, "CRM Branche": 6, "CRM Beschreibung Branche extern": 7, "CRM Anzahl Techniker": 8, "CRM Umsatz": 9, "CRM Anzahl Mitarbeiter": 10, "CRM Vorschlag Wiki URL": 11, "Wiki URL": 12, "Wiki Absatz": 13, "Wiki Branche": 14, "Wiki Umsatz": 15, "Wiki Mitarbeiter": 16, "Wiki Kategorien": 17, "Chat Wiki Konsistenzpruefung": 18, "Chat Begruendung Wiki Inkonsistenz": 19, "Chat Vorschlag Wiki Artikel": 20, "Begruendung bei Abweichung": 21, "Chat Vorschlag Branche": 22, "Chat Konsistenz Branche": 23, "Chat Begruendung Abweichung Branche": 24, "Chat Pruefung FSM Relevanz": 25, "Chat Begruendung fuer FSM Relevanz": 26, "Chat Schaetzung Anzahl Mitarbeiter": 27, "Chat Konsistenzpruefung Mitarbeiterzahl": 28, "Chat Begruendung Abweichung Mitarbeiterzahl": 29, "Chat Einschaetzung Anzahl Servicetechniker": 30, "Chat Begruendung Abweichung Anzahl Servicetechniker": 31, "Chat Schaetzung Umsatz": 32, "Chat Begruendung Abweichung Umsatz": 33, "Linked Serviceleiter gefunden": 34, "Linked It-Leiter gefunden": 35, "Linked Management gefunden": 36, "Linked Disponent gefunden": 37, "Contact Search Timestamp": 38, "Wikipedia Timestamp": 39, "Timestamp letzte Pruefung": 40, "Version": 41, "Tokens": 42, "Website Rohtext": 43, "Website Zusammenfassung": 44, "Website Scrape Timestamp": 45, "Geschaetzter Techniker Bucket": 46, "Finaler Umsatz (Wiki>CRM)": 47, "Finaler Mitarbeiter (Wiki>CRM)": 48, "Wiki Verif. Timestamp": 49, "SerpAPI Wiki Search Timestamp": 50 } # --- Globale Variablen fuer Branch Mapping (werden von load_target_schema() befuellt) --- BRANCH_MAPPING = {} TARGET_SCHEMA_STRING = "Ziel-Branchenschema nicht verfuegbar." ALLOWED_TARGET_BRANCHES = [] # Liste gängiger User-Agents für Rotation USER_AGENTS = [ 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36', 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/16.1 Safari/605.1.15', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 13_1) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/16.1 Safari/605.1.15', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/109.0', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:108.0) Gecko/20100101 Firefox/108.0', 'Mozilla/5.0 (X11; Linux i686; rv:108.0) Gecko/20100101 Firefox/108.0', 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:108.0) Gecko/20100101 Firefox/108.0', ] # ============================================================================== # Ende Basis-Setup Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 1: Retry Decorator) # ============================================================================== # Imports für den Retry Decorator (um NameErrors zu vermeiden) from openai.error import AuthenticationError, OpenAIError, RateLimitError, APIError, Timeout, InvalidRequestError, ServiceUnavailableError # Beispielhafte spezifische Fehler # Logger fuer den Retry Decorator selbst (Nutzt den globalen Root Logger) decorator_logger = logging.getLogger(__name__ + ".Retry") # --- Retry Decorator --- # KORRIGIERTE Version (Behandelt SpreadsheetNotFound und 404/400/401/403 HTTPError explizit) def retry_on_failure(func): """ Decorator, der eine Funktion bei bestimmten Fehlern mehrmals wiederholt. Implementiert exponentiellen Backoff mit Jitter. """ def wrapper(*args, **kwargs): func_name = func.__name__ # Versuche, das 'self' Argument fuer Methoden zu extrahieren, falls vorhanden self_arg = args[0] if args and hasattr(args[0], func_name) and isinstance(args[0], object) else None # Konstruiere einen aussagekraeftigeren Funktionsnamen fuer die Logs effective_func_name = f"{self_arg.__class__.__name__}.{func_name}" if self_arg else func_name # Basiswartezeit und maximale Anzahl Versuche aus Config holen max_retries_config = getattr(Config, 'MAX_RETRIES', 3) # Anzahl der Versuche (nicht Wiederholungen nach dem ersten Fehler) base_delay = getattr(Config, 'RETRY_DELAY', 5) # Wenn max_retries_config 0 oder weniger ist, einfach einmal ausfuehren if max_retries_config <= 0: try: return func(*args, **kwargs) except Exception as e: # Fehler loggen und weitergeben, wenn keine Retries konfiguriert sind decorator_logger.error(f"FEHLER bei '{effective_func_name}' (keine Retries konfiguriert). {type(e).__name__} - {str(e)[:150]}...") # Log traceback fuer unerwartete Fehler (nicht die spezifischen API/Netzwerkfehler) if not isinstance(e, (requests.exceptions.RequestException, gspread.exceptions.APIError, OpenAIError, wikipedia.exceptions.WikipediaException)): # <<< GEÄNDERT (openai.error.OpenAIError -> OpenAIError) decorator_logger.exception("Details zum Fehler:") raise e # Re-raise the exception # --- Retry logic for max_retries_config > 0 --- # Die Schleife laeuft max_retries_config mal. for attempt in range(max_retries_config): try: # Logge jeden Versuch, ausser den ersten (optional, um Log-Laerm zu reduzieren) if attempt > 0: decorator_logger.warning(f"Wiederhole Versuch {attempt + 1}/{max_retries_config} fuer '{effective_func_name}'...") return func(*args, **kwargs) # Call the original function # Spezifische Exceptions, die ein Retry nicht rechtfertigen (permanente Fehler) except (gspread.exceptions.SpreadsheetNotFound, AuthenticationError, ValueError) as e: # <<< GEÄNDERT (openai.error.AuthenticationError -> AuthenticationError) # Diese Fehler deuten auf ein permanentes Problem hin (falsche URL, falscher Key, falsche Eingabe) decorator_logger.critical(f"❌ ENDGUELTIGER FEHLER bei '{effective_func_name}': Permanentes Problem erkannt. {type(e).__name__} - {str(e)[:150]}...") decorator_logger.exception("Details:") # Log traceback fuer permanente Fehler raise e # Leiten Sie diese Exception sofort weiter # Fangen Sie Requests HTTP Errors (wie 404) except requests.exceptions.HTTPError as e: if hasattr(e, 'response') and e.response is not None: status_code = e.response.status_code # Definieren Sie hier eine Liste von Status-Codes, die NICHT wiederholt werden sollen non_retryable_status_codes = [404, 400, 401, 403] # Not Found, Bad Request, Unauthorized, Forbidden if status_code in non_retryable_status_codes: decorator_logger.critical(f"❌ ENDGUELTIGER FEHLER bei '{effective_func_name}': HTTP Fehler {status_code} erhalten ({e.response.reason}). Nicht wiederholbar. {str(e)[:100]}...") # Kuerzer im Log decorator_logger.exception("Details:") # Log traceback raise e # Leiten Sie diese nicht-wiederholbare Exception sofort weiter # Ansonsten behandle HTTP Errors wie andere RequestExceptions (weiter unten) # Wenn kein Response-Objekt oder kein spezifischer Statuscode gehandhabt wurde, # lassen Sie diesen Fehler durchfallen zur allgemeinen RequestException Behandlung. # Fangen Sie andere wiederholbare Exceptions (Netzwerk, Rate Limit, Timeout etc.) except (requests.exceptions.RequestException, gspread.exceptions.APIError, OpenAIError, wikipedia.exceptions.WikipediaException) as e: # <<< GEÄNDERT (openai.error.OpenAIError -> OpenAIError) error_msg = str(e) error_type = type(e).__name__ if attempt < max_retries_config - 1: # Wenn nicht der letzte Versuch wait_time = base_delay * (2 ** attempt) + random.uniform(0, 1) # Exponentieller Backoff mit Jitter # Loggen Sie den spezifischen Fehler und die Wartezeit if isinstance(e, RateLimitError): # <<< GEÄNDERT (Prüfung auf spezifischen OpenAI Fehler) decorator_logger.warning(f"🚦 RATE LIMIT ({error_type}) bei '{effective_func_name}' (Versuch {attempt+1}/{max_retries_config}). {error_msg[:150]}... Warte {wait_time:.2f}s...") elif isinstance(e, Timeout) and isinstance(e, OpenAIError): # <<< GEÄNDERT (Prüfung auf OpenAI Timeout) decorator_logger.warning(f"⏰ OPENAI TIMEOUT ({error_type}) bei '{effective_func_name}' (Versuch {attempt+1}/{max_retries_config}). {error_msg[:150]}... Warte {wait_time:.2f}s...") elif isinstance(e, gspread.exceptions.APIError) and hasattr(e, 'response') and e.response is not None and e.response.status_code == 429: # <<< GEÄNDERT (Gspread Rate Limit Check) decorator_logger.warning(f"🚦 GSPREAD RATE LIMIT ({error_type}) bei '{effective_func_name}' (Versuch {attempt+1}/{max_retries_config}). {error_msg[:150]}... Warte {wait_time:.2f}s...") elif isinstance(e, requests.exceptions.Timeout): decorator_logger.warning(f"⏰ REQUESTS TIMEOUT ({error_type}) bei '{effective_func_name}' (Versuch {attempt+1}/{max_retries_config}). {error_msg[:150]}... Warte {wait_time:.2f}s...") elif isinstance(e, requests.exceptions.RequestException): # Allgemeine RequestException decorator_logger.warning(f"🌐 NETZWERKFEHLER ({error_type}) bei '{effective_func_name}' (Versuch {attempt+1}/{max_retries_config}). {error_msg[:150]}... Warte {wait_time:.2f}s...") elif isinstance(e, OpenAIError): # Allgemeine OpenAI Fehler decorator_logger.warning(f"🤖 OPENAI FEHLER ({error_type}) bei '{effective_func_name}' (Versuch {attempt+1}/{max_retries_config}). {error_msg[:150]}... Warte {wait_time:.2f}s...") elif isinstance(e, wikipedia.exceptions.WikipediaException): # Allgemeine Wikipedia Fehler decorator_logger.warning(f"📚 WIKIPEDIA FEHLER ({error_type}) bei '{effective_func_name}' (Versuch {attempt+1}/{max_retries_config}). {error_msg[:150]}... Warte {wait_time:.2f}s...") else: # Andere wiederholbare Exceptions decorator_logger.warning(f"♻️ WIEDERHOLBARER FEHLER ({error_type}) bei '{effective_func_name}' (Versuch {attempt+1}/{max_retries_config}). {error_msg[:150]}... Warte {wait_time:.2f}s...") time.sleep(wait_time) # Warte vor dem nächsten Versuch else: # Letzter Versuch fehlgeschlagen decorator_logger.error(f"❌ ENDGUELTIGER FEHLER bei '{effective_func_name}' nach {max_retries_config} Versuchen.") raise e # Leite die ursprüngliche Exception weiter except Exception as e: # Fangen Sie sofort alle anderen unerwarteten Exceptions ab (z. B. Programmierfehler) # Diese sollten nicht wiederholt werden. decorator_logger.critical(f"💥 UNERWARTETER FEHLER ({type(e).__name__}) bei '{effective_func_name}'. KEIN RETRY VERSUCHT.") decorator_logger.exception("Details zum unerwarteten Fehler:") # Loggen Sie den vollständigen Traceback raise e # Leiten Sie die Exception sofort weiter # Dieser Teil sollte theoretisch nicht erreicht werden, wenn max_retries_config > 0 # und eine Exception immer zu einer raise e Anweisung führt. raise RuntimeError(f"Retry decorator logic error: Loop completed unexpectedly for {effective_func_name}. This should not happen.") return wrapper # Gibt die Wrapper-Funktion zurück # ============================================================================== # Ende Retry Decorator Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 2: Logging & Token Count) # ============================================================================== # --- Token Count Funktion --- def token_count(text, model=None): """Zaehlt Tokens via tiktoken oder schaetzt ueber Leerzeichen.""" logger = logging.getLogger(__name__) # Logger-Instanz holen if not text or not isinstance(text, str): return 0 # ... (Rest der token_count Funktion wie in Block 3/36 gesendet) ... current_model = model if model else getattr(Config, 'TOKEN_MODEL', 'gpt-3.5-turbo') if tiktoken: try: if not hasattr(token_count, 'enc_cache'): token_count.enc_cache = {} if current_model not in token_count.enc_cache: token_count.enc_cache[current_model] = tiktoken.encoding_for_model(current_model) enc = token_count.enc_cache[current_model] return len(enc.encode(text)) except Exception as e: logger.debug(f"Fehler beim Token-Counting mit tiktoken fuer Modell '{current_model}': {e} - Fallback zur Schaetzung.") return len(str(text).split()) else: return len(str(text).split()) # --- Logging Helpers --- LOG_FILE = None # Initialisierung def create_log_filename(mode): """Erstellt einen zeitgestempelten Logdateinamen im LOG_DIR.""" logger = logging.getLogger(__name__) # Logger-Instanz holen log_dir_path = LOG_DIR # ... (Rest der create_log_filename Funktion wie in Block 3/36 gesendet) ... if not os.path.exists(log_dir_path): try: os.makedirs(log_dir_path, exist_ok=True) logger.info(f"Log-Verzeichnis '{log_dir_path}' erstellt.") except Exception as e: logger.error(f"FEHLER: Konnte Log-Verzeichnis '{log_dir_path}' nicht erstellen: {e}") log_dir_path = "." logger.warning(f"Versuche, Logdatei im aktuellen Verzeichnis '{log_dir_path}' zu erstellen.") try: now = datetime.now().strftime("%d-%m-%Y_%H-%M") ver_short = getattr(Config, 'VERSION', 'unknown').replace(".", "") filename = f"{now}_{ver_short}_Modus{mode}.txt" return os.path.join(log_dir_path, filename) except Exception as e_fallback: logger.error(f"FEHLER: Konnte Logdateinamen auch im Fallback-Verzeichnis '{log_dir_path}' nicht erstellen: {e_fallback}") return None # ============================================================================== # Ende Grundlegende Helfer Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 2: Text, String & URL Utilities) # ============================================================================== # --- Text Normalisierung & Reinigung --- # Basierend auf Code aus Teil 3. # Nutzt globale Helfer: re, unicodedata. def simple_normalize_url(url): """Normalisiert URL zu domain.tld oder k.A. (ohne www, ohne Pfad).""" # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN if not url or not isinstance(url, str): return "k.A." url = url.strip() # Pruefe auf Kleinbuchstaben "k.A." und leere Strings nach dem Strippen if not url or url.lower() == 'k.a.': return "k.A." # Falls kein Schema vorhanden ist, hinzufuegen (HTTPS bevorzugen) if not url.lower().startswith(("http://", "https://")): url = "https://" + url # Fuege HTTPS als Standard hinzu try: # Parse die URL in ihre Komponenten parsed = urlparse(url) # Extrahieren Sie den Netzwerkteil (Domain und Port) domain_part = parsed.netloc # Wenn der Netzwerkteil leer ist, kann die URL nicht normalisiert werden if not domain_part: logger.debug(f"URL '{url[:100]}...' konnte nicht sinnvoll geparst werden (leerer netloc).") return "k.A." # Port entfernen, falls vorhanden (z.B. :8080) domain_part = domain_part.split(":", 1)[0] # Entferne User/Passwort-Teile, falls vorhanden (user:pass@domain) if '@' in domain_part: domain_part = domain_part.split('@', 1)[1] # Wandle Punycode (IDN) in Unicode um fuer Lesbarkeit (z.B. xn--...) try: # Versuchen Sie die IDNA-Dekodierung domain_part = domain_part.encode('ascii').decode('idna') except UnicodeDecodeError: # Logge eine Warnung, wenn die Dekodierung fehlschlaegt, aber behalte den Original-Domain-Teil # logger.warning(f"Fehler bei IDNA-Dekodierung fuer Domain '{domain_part}' aus URL '{url[:100]}...'. Behalte Original.") # Zu viel Laerm im Debug pass # Behalte den urspruenglichen domain_part, wenn Dekodierung fehlschlaegt # Konvertiere den Domain-Teil zu Kleinbuchstaben domain_part = domain_part.lower() # Optional: "www." am Anfang entfernen (optional, kann an Praeferenz angepasst werden) if domain_part.startswith("www."): # Stellen Sie sicher, dass die Domain nach dem Entfernen nicht leer ist (z.B. nur "www.") domain_part = domain_part[4:] # Einfache Pruefung auf mindestens einen Punkt (Basic TLD check) # Stellen Sie auch sicher, dass der Domain-Teil nach Bearbeitung nicht leer ist. # Eine einfache Pruefung auf das Vorhandensein eines Punktes und alphabetische Zeichen am Ende der TLD. if domain_part and '.' in domain_part: # Pruefen Sie, ob der Teil nach dem letzten Punkt (die TLD) aus Buchstaben besteht und mindestens 2 Zeichen lang ist. parts = domain_part.split('.') if len(parts) > 1 and parts[-1].isalpha() and len(parts[-1]) >= 2: # Rueckgabe des normalisierten Domain-Teils return domain_part else: # Wenn die TLD-Pruefung fehlschlaegt logger.debug(f"URL '{url[:100]}...' normalisiert zu '{domain_part}', aber TLD-Pruefung schlug fehl.") return "k.A." else: # Wenn kein Punkt im Domain-Teil ist oder er leer ist logger.debug(f"URL '{url[:100]}...' normalisiert zu '{domain_part}', enthaelt keinen Punkt oder ist leer.") return "k.A." except Exception as e: # Fange unerwartete Fehler beim Parsen oder Bearbeiten der URL ab logger.error(f"Fehler bei URL-Normalisierung fuer '{url[:100]}...': {e}") # Rueckgabe eines Fehlerwerts return "k.A. (Fehler Normalisierung)" def normalize_string(s): """Normalisiert Umlaute und Sonderzeichen nach einer definierten Liste.""" # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN if not s or not isinstance(s, str): return "" # Ersetzungen fuer gaengige deutsche Umlaute und Sonderzeichen replacements = { 'Ä': 'Ae', 'Ö': 'Oe', 'Ü': 'Ue', 'ß': 'ss', 'ä': 'ae', 'ö': 'oe', 'ü': 'ue', 'À': 'A', 'Á': 'A', 'Â': 'A', 'Ã': 'A', 'Å': 'A', 'Æ': 'AE', 'à': 'a', 'á': 'a', 'â': 'a', 'ã': 'a', 'å': 'a', 'æ': 'ae', 'Ç': 'C', 'ç': 'c', 'È': 'E', 'É': 'E', 'Ê': 'E', 'Ë': 'E', 'è': 'e', 'é': 'e', 'ê': 'e', 'ë': 'e', 'Ì': 'I', 'Í': 'I', 'Î': 'I', 'Ï': 'I', 'ì': 'i', 'í': 'i', 'î': 'i', 'ï': 'i', 'Ñ': 'N', 'ñ': 'n', 'Ò': 'O', 'Ó': 'O', 'Ô': 'O', 'Õ': 'O', 'Ø': 'O', 'ò': 'o', 'ó': 'o', 'ô': 'o', 'õ': 'o', 'ø': 'o', 'Œ': 'OE', 'œ': 'oe', 'Š': 'S', 'š': 's', 'Ž': 'Z', 'ž': 'z', 'Ý': 'Y', 'ý': 'y', 'ÿ': 'y', 'Đ': 'D', 'đ': 'd', 'č': 'c', 'Č': 'C', 'ć': 'c', 'Ć': 'C', 'ł': 'l', 'Ł': 'L', 'ğ': 'g', 'Ğ': 'G', 'ş': 's', 'Ş': 'S', 'ă': 'a', 'Ă': 'A', 'ı': 'i', 'İ': 'I', 'ň': 'n', 'Ň': 'N', 'ř': 'r', 'Ř': 'R', 'ő': 'o', 'Ő': 'O', 'ű': 'u', 'Ű': 'U', 'ț': 't', 'Ț': 'T', 'ș': 's', 'Ș': 'S' } # Versuche unicodedata Normalisierung zuerst, um Akzente etc. zu entfernen, die nicht in der Liste sind try: # 'NFKD' zerlegt Zeichen in ihre Basisform + kombinierende Zeichen (z.B. 'ä' -> 'a', '¨'). # .encode('ascii', 'ignore') entfernt dann die kombinierenden Zeichen. s = unicodedata.normalize('NFKD', s).encode('ascii', 'ignore').decode('ascii') except Exception as e: # Logge Fehler bei der unicodedata Normalisierung, aber fahre mit manuellen Ersetzungen fort logger.debug(f"Fehler bei unicodedata Normalisierung fuer '{str(s)[:50]}...': {e}") pass # Faert mit dem urspruenglichen String fort, wenn unicodedata fehlschlaegt # Dann manuelle Ersetzungen fuer spezifische Faelle (wie Umlaute -> Ae etc.) for src, target in replacements.items(): s = s.replace(src, target) return s def clean_text(text): """ Bereinigt Text (Unicode, Referenzen, Whitespace, etc.) von Wikipedia, Websites etc. Entfernt gaengige unerwuenschte Muster wie [1], [Bearbeiten]. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN if text is None: return "k.A." # Behandle None explizit try: text = str(text) # Sicherstellen, dass es ein String ist if not text.strip(): return "k.A." # Leere oder nur Whitespace-Strings # Normalisiert Whitespace, Ligaturen etc. (NFC ist oft ein guter Kompromiss) text = unicodedata.normalize("NFC", text) # Entfernt Referenz-Tags wie [1], [2] text = re.sub(r'\[\d+\]', '', text) # Entfernt gaengige Wikipedia-Bearbeitungslinks text = re.sub(r'\[\s*Bearbeiten\s*\|\s*Quelltext bearbeiten\s*\]', '', text, flags=re.IGNORECASE) # Entfernt Koordinaten-Spans, die manchmal im Text auftauchen koennen text = re.sub(r'\[koordinaten\]', '', text, flags=re.IGNORECASE) # Ersetzt multiple Leerzeichen/Tabs/Newlines durch ein einzelnes Leerzeichen text = re.sub(r'\s+', ' ', text).strip() # Wenn nach Bereinigung leer, gib k.A. zurueck return text if text else "k.A." except Exception as e: # Fehlermeldung beim Bereinigen logger.error(f"Fehler bei clean_text fuer Input '{str(text)[:50]}...': {e}") return "k.A. (Fehler Bereinigung)" def normalize_company_name(name): """ Entfernt gaengige Rechtsformzusaetze etc. fuer Vergleiche. Nutzt clean_text und normalize_string. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist if not name: return "" # Vorab bereinigen und normalisieren (Umlaute etc.) name = clean_text(name) name = normalize_string(name) # Liste von Rechtsformen und generischen Zusaetzen (case-insensitive) # Verwenden Sie raw strings r'' fuer die Regex-Patterns forms = [ r'gmbh', r'ges\.?\s*m\.?\s*b\.?\s*h\.?', r'gesellschaft mit beschraenkter haftung', r'ug', r'u\.g\.', r'unternehmergesellschaft', r'haftungsbeschraenkt', r'ag', r'a\.g\.', r'aktiengesellschaft', r'ohg', r'o\.h\.g\.', r'offene handelsgesellschaft', r'kg', r'k\.g\.', r'kommanditgesellschaft', r'gmbh\s*&\s*co\.?\s*kg', r'ges\.?\s*m\.?\s*b\.?\s*h\.?\s*&\s*co\.?\s*k\.g\.?', r'ag\s*&\s*co\.?\s*kg', r'a\.g\.?\s*&\s*co\.?\s*k\.g\.?', r'e\.k\.?', r'e\.kfm\.?', r'e\.kfr\.?', r'eingetragene[rn]? kauffrau', r'eingetragene[rn]? kaufmann', r'ltd\.?', r'limited', r'ltd\s*&\s*co\.?\s*kg', r's\.?a\.?r\.?l\.?', r'sarl', r'sagl', # CH/LU/etc. SARL, It. S.a.g.l. r's\.?a\.?', r'societe anonyme', r'sociedad anonima', # Franz/Span. SA r's\.?p\.?a\.?', r'societa per azioni', # It. SpA r'b\.?v\.?', r'besloten vennootschap', # NL BV r'n\.?v\.?', r'naamloze vennootschap', # NL NV r'plc\.?', r'public limited company', # UK Plc r'inc\.?', r'incorporated', # US Inc r'corp\.?', r'corporation', # US Corp r'llc\.?', r'limited liability company', # US LLC r'kgaa', r'kommanditgesellschaft auf aktien', # DE KGaA r'se', r'societas europaea', # SE (Europa) r'e\.?g\.?', r'eingetragene genossenschaft', r'genossenschaft', r'genmbh', # DE eG r'e\.?v\.?', r'eingetragener verein', r'verein', # DE eV r'stiftung', r'ggmbh', r'gemeinnuetzige gmbh', r'gemeinnuetzige[rn]? gmbh', r'gug', # DE Stiftungen, gemeinnuetzige r'partg\.?', r'partnerschaftsgesellschaft', r'partgmbb', # DE PartG r'og', r'o\.g\.', r'offene gesellschaft', # AT OG r'e\.u\.', r'eingetragenes unternehmen', # AT EU r'ges\.?n\.?b\.?r\.?', r'gesellschaft nach buergerlichem recht', # DE GbR r'kollektivgesellschaft', r'einzelfirma', # CH # Zusaetzliche generische Begriffe am Ende (koennen auch Firmenbestandteile sein, daher Vorsicht) r'gruppe', r'holding', r'international', r'systeme', r'technik', r'logistik', r'solutions', r'services', r'management', r'consulting', r'produktion', r'vertrieb', r'entwicklung', r'maschinenbau', r'anlagenbau', r'engineering', r'technologie' # Weitere gaengige Begriffe ] # Pattern fuer ganze Woerter (case-insensitive), escaped um Regex-Sonderzeichen zu behandeln forms_escaped = [re.escape(form) for form in forms] # \b fuer Wortgrenzen, (?:...) fuer non-capturing group pattern = r'\b(?:' + '|'.join(forms_escaped) + r')\b' normalized = re.sub(pattern, '', name, flags=re.IGNORECASE) # Interpunktion entfernen/ersetzen (ausser evtl. &) # Entferne Punkt, Komma, Semikolon, Doppelpunkt normalized = re.sub(r'[.,;:]', '', normalized) # Ersetze Bindestriche, Gedankenstriche, Schraegstriche durch ein einzelnes Leerzeichen normalized = re.sub(r'[\-–/]', ' ', normalized) # Reduziere multiple Leerzeichen auf ein einzelnes und trimme Enden normalized = re.sub(r'\s+', ' ', normalized).strip() return normalized.lower() def fuzzy_similarity(str1, str2): """Berechnet Aehnlichkeit zwischen 0 und 1 (case-insensitive).""" # Verwenden Sie logger, da das Logging jetzt konfiguriert ist if not str1 or not str2: return 0.0 # Sicherstellen, dass beide Inputs Strings sind return SequenceMatcher(None, str(str1).lower(), str(str2).lower()).ratio() # ============================================================================== # Ende Text, String & URL Utilities Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 3: Numeric Extraction Utilities) # ============================================================================== # --- Numerische Extraktion --- # Basierend auf Code aus Teil 4 & Teil 2. # Extrahiert und normalisiert Zahlenwerte aus Strings. # Nutzt globale Helfer: clean_text, re. def extract_numeric_value(raw_value, is_umsatz=False): """ Extrahiert und normalisiert Zahlenwerte (Umsatz in Mio, Mitarbeiter). Berücksichtigt Tausendertrenner (Punkt, Apostroph), Dezimaltrenner (Komma), Einheiten (Tsd, Mio, Mrd) und gaengige Praefixe/Suffixe. Gibt "k.A." zurueck, wenn nicht extrahierbar oder <= 0. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN if not raw_value: return "k.A." raw_value_str = str(raw_value).strip() # Pruefe auf bekannte "keine Angabe" Strings oder 0 als Text if not raw_value_str or raw_value_str.lower() in ['k.a.', 'n/a', '-']: return "k.A." # 0 als Text ist hier wie k.A. # Bereinigungsschritte aehnlich wie in clean_text und vorheriger Implementierung processed_value = clean_text(raw_value_str) if processed_value == "k.A." or processed_value.lower() in ['k.a.', 'n/a', '-']: return "k.A." # Pruefe erneut nach clean_text # logger.debug(f"extract_numeric_value: Verarbeite Wert: '{raw_value_str}' -> '{processed_value}' (is_umsatz={is_umsatz})") # Zu viel Laerm im Debug # Entferne gaengige Praefixe/Suffixe und Spannen-Trennzeichen (z.B. "ca. ", "ueber ", "100-200", "€") processed_value = re.sub(r'(?i)^\s*(ca\.?|circa|rund|etwa|ueber|unter|mehr als|weniger als|bis zu)\s+', '', processed_value) # Beruecksichtige Umlaute (ue) processed_value = re.sub(r'[€$£¥]', '', processed_value).strip() # Entferne Waehrungssymbole processed_value = re.split(r'\s*(-|–|bis)\s*', processed_value, 1)[0].strip() # Nimm nur den ersten Teil bei Spannen # Entferne Tausendertrenner (Punkt, Apostroph) und ersetze Komma durch Punkt fuer Dezimal # Reihenfolge ist wichtig: Erst Punkte/Apostrophe entfernen, dann Komma durch Punkt ersetzen processed_value_no_thousands = processed_value.replace('.', '').replace("'", "") processed_value_final = processed_value_no_thousands.replace(',', '.') # Finde die erste Sequenz von Ziffern und Punkten (die Zahl) match = re.search(r'([\d.]+)', processed_value_final) if not match: # Wenn nach der Bereinigung keine Ziffern oder Punkte gefunden werden logger.debug(f"extract_numeric_value: Keine numerischen Zeichen gefunden nach Bereinigung von: '{raw_value_str}'") return "k.A." num_str = match.group(1) try: # Zusaetzliche Pruefungen auf ungueltige Zahlenstrings (z.B. nur '.', '..', '.1.') if not num_str or num_str == '.' or num_str.count('.') > 1: # Wenn der String leer ist, nur ein Punkt, oder mehr als ein Dezimalpunkt hat raise ValueError("Leerer oder ungueltiger Zahlenstring gefunden nach Regex Match") # Konvertiere den extrahierten String zu einem Float num = float(num_str) except ValueError as e: # Wenn die Konvertierung zu Float fehlschlaegt logger.debug(f"Fehler bei Float-Umwandlung des extrahierten Strings '{num_str}' (aus '{raw_value_str}'): {e}") return "k.A." # --- Einheiten-Skalierung basierend auf ORIGINALSTRING --- # Pruefe den originalen Wert (kleingeschrieben) auf Einheiten-Keywords original_lower = raw_value_str.lower() multiplier = 1.0 # Pruefe auf Mrd, Mio, Tsd Keywords und setze den entsprechenden Multiplikator if re.search(r'\bmrd\s*\b|\bmilliarden\s*\b|\bbillion\s*\b', original_lower): multiplier = 1000000000.0 # logger.debug(" -> Einheit: Mrd gefunden") # Zu viel Laerm im Debug elif re.search(r'\bmio\s*\b|\bmillionen\s*\b|\bmill[.]?\s*\b', original_lower): # Beruecksichtige "mill." multiplier = 1000000.0 # logger.debug(" -> Einheit: Mio gefunden") elif re.search(r'\btsd\s*\b|\btausend\s*\b', original_lower): multiplier = 1000.0 # logger.debug(" -> Einheit: Tsd gefunden") # Wende den Multiplikator auf die Zahl an num = num * multiplier # Konvertiere zu Zielformat und runde ggf. # Rueckgabe als String, wie im Sheet erwartet # Stellen Sie sicher, dass nur positive Werte zurueckgegeben werden (<= 0 ist wie k.A.) if is_umsatz: # Umsatz wird in Millionen € gespeichert (gerundet auf ganze Mio) # Rueckgabe als String umsatz_mio = round(num / 1000000.0) return str(int(umsatz_mio)) if umsatz_mio > 0 else "k.A." # Nur positive Ergebnisse > 0 else: # Mitarbeiterzahl wird als ganze Zahl gespeichert (gerundet) # Rueckgabe als String mitarbeiter_int = round(num) return str(int(mitarbeiter_int)) if mitarbeiter_int > 0 else "k.A." # Nur positive Ergebnisse > 0 # --- Numerische Extraktion fuer FILTERLOGIK (gibt 0 statt k.A. zurueck) --- # Basierend auf Code aus Teil 2. # Extrahiert und normalisiert Zahlenwerte fuer Vergleichslogik. # Nutzt globale Helfer: clean_text, re. def get_numeric_filter_value(value_str, is_umsatz=False): """ Extrahiert und normalisiert Zahlenwerte fuer die Filterlogik (Umsatz in Mio, Mitarbeiter int). Gibt 0.0 (fuer Umsatz) oder 0 (fuer Mitarbeiter) zurueck, wenn der Wert leer, k.A., nicht numerisch ist, oder 0 ergibt. Beachtet Einheiten (Tsd, Mio, Mrd) fuer Umsatz. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN if value_str is None or pd.isna(value_str) or str(value_str).strip() == '': # Gibt 0 (int/float) zurueck, nicht "k.A." fuer Filterlogik return 0.0 if is_umsatz else 0 raw_value_str = str(value_str).strip() # Pruefe auf bekannte "keine Angabe" Strings if raw_value_str.lower() in ['k.a.', 'n/a', '-']: return 0.0 if is_umsatz else 0 try: processed_value = clean_text(raw_value_str) if processed_value == "k.A." or processed_value.lower() in ['k.a.', 'n/a', '-']: return 0.0 if is_umsatz else 0 # Pruefe erneut nach clean_text # Entferne gaengige Praefixe/Suffixe und Spannen-Trennzeichen processed_value = re.sub(r'(?i)^\s*(ca\.?|circa|rund|etwa|ueber|unter|mehr als|weniger als|bis zu)\s+', '', processed_value) # Beruecksichtige Umlaute (ue) processed_value = re.sub(r'[€$£¥]', '', processed_value).strip() processed_value = re.split(r'\s*(-|–|bis)\s*', processed_value, 1)[0].strip() # Nimm nur den ersten Teil bei Spannen # Entferne Tausendertrenner (Punkt, Apostroph) und ersetze Komma durch Punkt fuer Dezimal processed_value_no_thousands = processed_value.replace('.', '').replace("'", "") processed_value_final = processed_value_no_thousands.replace(',', '.') # Finde die erste Sequenz von Ziffern und Punkten (die Zahl) match = re.search(r'([\d.]+)', processed_value_final) if not match: # Wenn nach der Bereinigung keine Ziffern oder Punkte gefunden werden # logger.debug(f"get_numeric_filter_value: Keine numerischen Zeichen gefunden nach Bereinigung von: '{raw_value_str}'") # Zu viel Laerm im Debug return 0.0 if is_umsatz else 0 num_str = match.group(1) try: # Zusaetzliche Pruefungen auf ungueltige Zahlenstrings if not num_str or num_str == '.' or num_str.count('.') > 1: raise ValueError("Leerer oder ungueltiger Zahlenstring gefunden nach Regex Match") # Konvertiere zu Float num = float(num_str) except ValueError as e: # Wenn die Konvertierung zu Float fehlschlaegt # logger.debug(f"Fehler bei Float-Umwandlung des extrahierten Strings '{num_str}' (aus '{raw_value_str}'): {e}") # Zu viel Laerm im Debug return 0.0 if is_umsatz else 0 # --- Einheiten-Skalierung basierend auf ORIGINALSTRING --- # Ziel: Den Wert in die Einheit des Schwellenwerts konvertieren (Mio fuer Umsatz, Integer fuer MA). original_lower = raw_value_str.lower(); multiplier = 1.0 if is_umsatz: # Umsatz (Schwellenwert in Mio) if re.search(r'\bmrd\s*\b|\bmilliarden\s*\b|\bbillion\s*\b', original_lower): num = num * 1000.0 # Konvertiere von Mrd zu Mio elif re.search(r'\btsd\s*\b|\btausend\s*\b', original_lower): num = num / 1000.0 # Konvertiere von Tsd zu Mio # Wenn "Mio" oder keine Einheit, nehme num direkt (wird als Mio interpretiert) else: # Mitarbeiterzahl (Schwellenwert ist Integer) if re.search(r'\bmrd\s*\b|\bmilliarden\s*\b|\bbillion\s*\b', original_lower): num = num * 1000000000.0 # Konvertiere von Mrd zu Integer elif re.search(r'\bmio\s*\b|\bmillionen\s*\b|\bmill[.]?\s*\b', original_lower): # Beruecksichtige "mill." num = num * 1000000.0 # Konvertiere von Mio zu Integer elif re.search(r'\btsd\s*\b|\btausend\s*\b', original_lower): num = num * 1000.0 # Konvertiere von Tsd zu Integer # Wenn keine Einheit, nehme num direkt (wird als Integer interpretiert) # Das Ergebnis muss 0 oder positiv sein fuer die Filterlogik result_num = num if num > 0 else 0 # Werte <= 0 zaehlen nicht if is_umsatz: # Rueckgabe als Wert in Millionen (Float) return result_num / 1000000.0 else: # Mitarbeiterzahl # Rueckgabe als ganze Zahl return round(result_num) except Exception as e: # Fange unerwartete Fehler ab und logge sie logger.debug(f"Fehler in get_numeric_filter_value fuer Wert '{raw_value_str[:50]}...': {e}") # Rueckgabe 0 bei Fehler fuer Filterlogik return 0.0 if is_umsatz else 0 # ============================================================================== # Ende Numerische Extraktion Utilities Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 4: Gender & Email Utilities) # ============================================================================== # --- Gender und Email Helpers --- # Basierend auf Code aus Teil 4. # Nutzt globale Helfer: gender_guesser, Config.API_KEYS, requests, retry_on_failure, # simple_normalize_url, normalize_string, re. # Annahme: gender_guesser ist installiert # Initialisieren Sie den Detector einmal global, um Ressourcen zu sparen try: import gender_guesser.detector as gender gender_detector = gender.Detector() print("gender_guesser.Detector initialisiert.") # Verwendet print except ImportError: gender = None # Setzen Sie den Namen auf None, falls der Import fehlschlaegt gender_detector = None print("WARNUNG: gender_guesser Bibliothek nicht gefunden. Geschlechtserkennung deaktiviert.") # Verwendet print except Exception as e: gender = None # Setzen Sie den Namen auf None, falls der Import fehlschlaegt gender_detector = None print(f"FEHLER: Fehler bei Initialisierung von gender_guesser: {e}. Geschlechtserkennung deaktiviert.") # Verwendet print def get_gender(firstname): """Ermittelt Geschlecht via gender-guesser und Fallback Genderize API.""" # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN if not firstname or not isinstance(firstname, str): return "unknown" # Nehmen Sie nur den ersten Teil des Vornamens und bereinigen Sie ihn firstname_clean = str(firstname).strip().split(" ")[0] if not firstname_clean: return "unknown" # 1. Versuch: gender-guesser (nutzt globale Instanz) result_gg = "unknown" if gender_detector: # Pruefe, ob der Detector initialisiert wurde try: # get_gender ist case-insensitive per Default result_gg = gender_detector.get_gender(firstname_clean) # logger.debug(f"GenderGuesser fuer '{firstname_clean}': {result_gg}") # Zu viel Laerm except Exception as e_gg: logger.warning(f"Fehler bei gender-guesser fuer '{firstname_clean}': {e_gg}") result_gg = "unknown" # Fallback bei Fehler # 2. Fallback: Genderize API (nur wenn gender-guesser unsicher ist) # Wenn gender-guesser ein unsicheres Ergebnis liefert ("andy", "unknown", "mostly_...") if result_gg in ["andy", "unknown", "mostly_male", "mostly_female"]: genderize_key = Config.API_KEYS.get('genderize') # Nur versuchen, wenn der API Key verfuegbar ist if not genderize_key: # logger.debug("Genderize API-Schluessel nicht verfuegbar, Fallback nicht moeglich.") # Zu viel Laerm # Geben Sie das Ergebnis von gender-guesser zurueck, wenn es "mostly_" war, sonst "unknown" return result_gg if result_gg.startswith("mostly_") else "unknown" # API Call nutzt den retry_on_failure Decorator # Definiere die Funktion hier, da sie spezifisch fuer diesen Anwendungsfall ist @retry_on_failure def call_genderize(name, api_key): params = {"name": name, "apikey": api_key, "country_id": "DE"} # DE als Standardland # logger.debug(f"Genderize API-Anfrage fuer '{name}'...") # Zu viel Laerm im Debug # Fuehrt die GET-Anfrage aus. Der retry_on_failure Decorator behandelt RequestsExceptions. response = requests.get("https://api.genderize.io", params=params, timeout=getattr(Config, 'REQUEST_TIMEOUT', 15)) # Nutze Config Timeout # Wirft HTTPError fuer schlechte Antworten (4xx oder 5xx), wird vom Decorator gefangen response.raise_for_status() # Gibt die JSON-Antwort zurueck data = response.json() # logger.debug(f" -> Genderize Antwort fuer '{name}': {data}") # Zu viel Laerm im Debug return data try: # Rufen Sie die API-Wrapper-Funktion auf genderize_data = call_genderize(firstname_clean, genderize_key) # Extrahieren Sie die Daten aus der API-Antwort api_gender = genderize_data.get("gender") probability = genderize_data.get("probability", 0) count = genderize_data.get("count", 0) # Anzahl der Datenpunkte fuer diesen Namen # Nur bei ausreichender Sicherheit (z.B. Wahrscheinlichkeit > 0.7) und wenn Genderize ein Ergebnis liefert # und Datenpunkte vorhanden sind (count > 0). if api_gender and probability is not None and probability > 0.7 and count is not None and count > 0: # Loggen Sie die Uebernahme des API-Ergebnisses logger.debug(f" -> Uebernehme Genderize Ergebnis '{api_gender}' (Prob: {probability}, Count: {count}) fuer '{firstname_clean}'") return api_gender # Geben Sie das API-Ergebnis zurueck else: # Wenn Genderize unsicher ist oder kein valides Ergebnis liefert # logger.debug(f" -> Genderize unsicher/kein Ergebnis fuer '{firstname_clean}'. Nutze Fallback: '{result_gg}'") # Zu viel Laerm # Geben Sie das Ergebnis von gender-guesser zurueck, wenn es "mostly_" war, sonst "unknown" return result_gg if result_gg.startswith("mostly_") else "unknown" except Exception as e: # retry_on_failure wirft Exception im Fehlerfall erneut # Wenn der API Call nach Retries fehlschlaegt, fangen wir die Exception hier. # Der Fehler wird bereits vom retry_on_failure Decorator geloggt. logger.error(f"FEHLER bei der Genderize API-Anfrage fuer '{firstname_clean}' nach Retries: {e}") # Geben Sie das Ergebnis von gender-guesser als Fallback zurueck return result_gg if result_gg.startswith("mostly_") else "unknown" else: # Wenn gender-guesser sicher war ("male", "female"), geben Sie das Ergebnis direkt zurueck return result_gg def get_email_address(firstname, lastname, website): """ Generiert eine moegliche E-Mail-Adresse im Format vorname.nachname@domain.tld. Normalisiert Namen und extrahiert die Domain aus der Website-URL. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN if not all([firstname, lastname, website]) or not all(isinstance(x, str) and x.strip() for x in [firstname, lastname, website]): # Pruefen Sie auf nicht-leere Strings logger.debug("get_email_address skipped: Fehlende oder ungueltige Eingabe (Name, Website).") return "" # Gebe leeren String bei fehlenden/ungueltigen Eingaben zurueck # Extrahieren und normalisieren Sie die Domain aus der Website-URL (nutzt globale Helfer) domain = simple_normalize_url(website) # Wenn die Domain nicht gueltig ist oder keinen Punkt enthaelt (was fuer eine E-Mail-Domain notwendig ist) if domain == "k.A." or '.' not in domain: logger.debug(f"get_email_address skipped: Ungueltige Domain extrahiert aus '{website}'.") return "" # Gebe leeren String bei ungueltiger Domain zurueck # Normalisiere Vor- und Nachname (nutzt globale Helfer), konvertiere zu Kleinbuchstaben normalized_first = normalize_string(firstname).lower() normalized_last = normalize_string(lastname).lower() # Ersetze Leerzeichen und mehrere Bindestriche durch einen einzelnen Bindestrich normalized_first = re.sub(r'\s+', '-', normalized_first) normalized_last = re.sub(r'\s+', '-', normalized_last) # Entferne alle Zeichen, die NICHT alphanumerisch ('\w') oder Bindestrich ('-') sind # Dies stellt sicher, dass die generierte E-Mail-Adresse gueltige Zeichen enthaelt normalized_first = re.sub(r'[^\w\-]+', '', normalized_first) normalized_last = re.sub(r'[^\w\-]+', '', normalized_last) # Entferne fuehrende oder endende Bindestriche, falls sie nach der Bereinigung entstanden sind normalized_first = normalized_first.strip('-') normalized_last = normalized_last.strip('-') # Stellen Sie sicher, dass sowohl Vor- als auch Nachname nicht leer sind nach der Bereinigung if normalized_first and normalized_last and domain: # Kombinieren Sie die bereinigten Teile zur E-Mail-Adresse email_address = f"{normalized_first}.{normalized_last}@{domain}" # logger.debug(f"Generierte E-Mail-Adresse: {email_address}") # Zu viel Laerm im Debug return email_address else: # Wenn Vorname oder Nachname nach der Bereinigung leer sind logger.debug("get_email_address skipped: Vorname oder Nachname leer nach Bereinigung.") return "" # Gebe leeren String zurueck # ============================================================================== # Ende Gender & Email Utilities Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 5: Schema Loading Utility) # ============================================================================== # --- Schema Loading (Ziel-Branchenschema) --- # Basierend auf Code aus Teil 4. # Lädt die Liste der erlaubten Zielbranchen aus einer CSV-Datei. # Nutzt globale Variablen: BRANCH_MAPPING, TARGET_SCHEMA_STRING, ALLOWED_TARGET_BRANCHES. # Nutzt globale Helfer: csv, os, logger. # Globale Variablen für Branch Mapping (werden von load_target_schema() befüllt) BRANCH_MAPPING = {} # Wird in dieser Version nicht primaer fuer Mapping genutzt, kann aber beibehalten werden TARGET_SCHEMA_STRING = "Ziel-Branchenschema nicht verfuegbar." # String-Repraesentation des Schemas fuer Prompts ALLOWED_TARGET_BRANCHES = [] # Liste der erlaubten Kurzformen def load_target_schema(csv_filepath=BRANCH_MAPPING_FILE): """ Laedt Liste erlaubter Ziel-Branchen (Kurzformen) aus Spalte A der CSV-Datei. Befuellt die globalen Variablen ALLOWED_TARGET_BRANCHES und TARGET_SCHEMA_STRING. Args: csv_filepath (str, optional): Pfad zur CSV-Datei mit dem Branchenschema. Defaults to the global BRANCH_MAPPING_FILE. """ logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN # Zugriff auf die globalen Variablen global BRANCH_MAPPING, TARGET_SCHEMA_STRING, ALLOWED_TARGET_BRANCHES # Setzen Sie BRANCH_MAPPING zurueck, da es in dieser Version nicht primaer genutzt wird BRANCH_MAPPING = {} allowed_branches_set = set() # Nutzt ein Set, um Duplikate automatisch zu behandeln line_count = 0 logger.info(f"Lade Ziel-Schema (Kurzformen) aus '{csv_filepath}' Spalte A...") # Jetzt sollte logger definiert sein try: # Versuche, die Datei mit UTF-8-BOM-Signatur oder normalem UTF-8 zu oeffnen # Verwenden Sie "r" fuer Textmodus und geben Sie das Encoding an with open(csv_filepath, "r", encoding="utf-8-sig") as f: # Verwenden Sie den CSV-Reader, um Zeilen zu lesen reader = csv.reader(f) # Versuche, die erste Zeile als Header zu ueberspringen (Heuristik) try: header_row = next(reader) # logger.debug(f"Ueberspringe Header-Zeile: {header_row}") # Zu viel Laerm im Debug except StopIteration: # Wenn die Datei leer ist logger.warning(f"Schema-Datei '{csv_filepath}' ist leer.") ALLOWED_TARGET_BRANCHES = [] # Setze die Liste auf leer TARGET_SCHEMA_STRING = "Ziel-Branchenschema nicht verfuegbar (Datei leer)." # Setze Fehler-String return # Beende die Funktion, da nichts zu tun ist # Iteriere ueber die verbleibenden Zeilen for row in reader: line_count += 1 # logger.debug(f"Schema-Laden: Lese Zeile {line_count}: {row}") # Zu viel Laerm im Debug # Pruefe, ob die Zeile mindestens eine Spalte hat (Spalte A ist Index 0) if len(row) >= 1: target = row[0].strip() # Hole den Wert aus Spalte A und entferne Whitespace if target: # Fuege den Wert zum Set hinzu, wenn er nicht leer ist allowed_branches_set.add(target) # logger.debug(f" -> '{target}' zum Set hinzugefuegt.") # Zu viel Laerm im Debug except FileNotFoundError: # Wenn die Schema-Datei nicht gefunden wird logger.critical(f"FEHLER: Schema-Datei '{csv_filepath}' nicht gefunden.") ALLOWED_TARGET_BRANCHES = [] # Setze die Liste auf leer TARGET_SCHEMA_STRING = "Ziel-Branchenschema nicht verfuegbar (Datei nicht gefunden)." # Setze Fehler-String return # Beende die Funktion, da die Datei fehlt except Exception as e: # Fange andere unerwartete Fehler beim Lesen der Datei ab logger.critical(f"FEHLER beim Laden des Ziel-Schemas aus '{csv_filepath}' (Zeile {line_count if line_count > 0 else 'vor erster Zeile'}): {e}") ALLOWED_TARGET_BRANCHES = [] # Setze die Liste auf leer TARGET_SCHEMA_STRING = "Ziel-Branchenschema nicht verfuegbar (Fehler beim Lesen)." # Setze Fehler-String return # Beende die Funktion, da ein Fehler aufgetreten ist # Konvertiere das Set in eine sortierte Liste ALLOWED_TARGET_BRANCHES = sorted(list(allowed_branches_set), key=str.lower) logger.info(f"Ziel-Schema geladen. {len(ALLOWED_TARGET_BRANCHES)} eindeutige Zielbranchen gefunden.") # Erstelle den Prompt-String fuer ChatGPT, wenn gueltige Branchen gefunden wurden if ALLOWED_TARGET_BRANCHES: # logger.debug(f"Erste 10 geladene Zielbranchen: {ALLOWED_TARGET_BRANCHES[:10]}") # Zu viel Laerm im Debug schema_lines = ["Ziel-Branchenschema: Folgende Branchenbereiche sind gueltig (Kurzformen):"] # Fuege jede erlaubte Branche als Listeneintrag hinzu schema_lines.extend(f"- {branch}" for branch in ALLOWED_TARGET_BRANCHES) # Fuege strenge Anweisungen fuer das Antwortformat hinzu schema_lines.append("\nBitte ordne das Unternehmen ausschliesslich in einen dieser Bereiche ein. Gib NUR den exakten Kurznamen der Branche zurueck (keine Praefixe oder zusaetzliche Erklaerungen ausser im 'Begruendung'-Feld).") # Verwende Umlaute nicht, um Encoding-Probleme im Prompt zu vermeiden schema_lines.append("Antworte ausschliesslich im folgenden Format (keine Einleitung, kein Schlusssatz):") schema_lines.append("Branche: ") schema_lines.append("Uebereinstimmung: ") # Verwende Umlaute nicht schema_lines.append("Begruendung: ") # Verwende Umlaute nicht # Verbinde die Zeilen zum finalen Prompt-String TARGET_SCHEMA_STRING = "\n".join(schema_lines) # logger.debug(f"Generierter TARGET_SCHEMA_STRING:\n{TARGET_SCHEMA_STRING}") # Zu viel Laerm im Debug else: # Wenn keine gueltigen Branchen gefunden wurden TARGET_SCHEMA_STRING = "Ziel-Branchenschema nicht verfuegbar (Keine gueltigen Branchen in Datei gefunden)." logger.warning("Keine gueltigen Zielbranchen im Schema gefunden. Branchenbewertung ist nicht moeglich.") # map_external_branch ist in dieser Version nicht mehr notwendig, # da die Branchenevaluation ueber ChatGPT (evaluate_branche_chatgpt) # direkt gegen ALLOWED_TARGET_BRANCHES validiert. # ============================================================================== # Ende Schema Loading Utility Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 6: OpenAI API Call Wrapper) # ============================================================================== # --- OpenAI / CHATGPT FUNCTIONS --- # Zentrale Funktion fuer OpenAI Chat API Aufrufe. # Nutzt globale Helfer: Config.API_KEYS, openai, retry_on_failure, token_count (optional), logger, ValueError. @retry_on_failure # Wende den Decorator auf diesen API Call an def call_openai_chat(prompt, temperature=0.3, model=None): """ Zentrale Funktion fuer OpenAI Chat API Aufrufe. Wird von anderen globalen Helfern oder DataProcessor Methoden aufgerufen. Args: prompt (str): Der Prompt-Text an die API. temperature (float, optional): Die Temperatur fuer die Textgenerierung. Defaults to 0.3. model (str, optional): Das zu verwendende OpenAI Modell. Defaults to Config.TOKEN_MODEL. Returns: str: Der bereinigte Antwortstring von der API. Wirft Exception bei API-Fehlern nach Retries. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN # Pruefen Sie, ob der API Key konfiguriert ist if not Config.API_KEYS.get('openai'): logger.error("Fehler: OpenAI API Key nicht konfiguriert.") # Werfen Sie eine spezifische Exception, die vom retry_on_failure als permanent behandelt wird raise openai.error.AuthenticationError("OpenAI API Key nicht konfiguriert.") # Pruefen Sie, ob der Prompt leer ist if not prompt or not isinstance(prompt, str) or not prompt.strip(): logger.error("Fehler: Leerer Prompt fuer OpenAI.") # Werfen Sie eine Value Error Exception, die vom retry_on_failure behandelt wird raise ValueError("Leerer Prompt fuer OpenAI.") # Bestimmen Sie das zu verwendende Modell (CLI > Config > Default) current_model = model if model else getattr(Config, 'TOKEN_MODEL', 'gpt-3.5-turbo') try: # Optional: Token zaehlen vor dem Senden (gut fuer Debugging/Monitoring) # try: # # Schaetzen Sie die Token-Zahl des Prompts # prompt_tokens = token_count(prompt, model=current_model) # # Loggen Sie die geschaetzte Token-Zahl auf Debug-Level # logger.debug(f"Sende Prompt an OpenAI ({current_model}, geschaetzt {prompt_tokens} Tokens)...") # except Exception as e_tc: # # Logge Fehler beim Token-Zaehlen, aber fahre fort # logger.debug(f"Fehler beim Token-Counting fuer Prompt: {e_tc}"); # Fuehren Sie den API Call durch. Dieser kann verschiedene Exceptions werfen (APIError, RateLimitError, InvalidRequestError etc.). # Diese werden vom @retry_on_failure Decorator dieser Funktion behandelt. response = openai.ChatCompletion.create( model=current_model, messages=[{"role": "user", "content": prompt}], temperature=temperature # Fuegen Sie hier ggf. weitere Parameter hinzu (max_tokens, top_p, frequency_penalty etc.) ) # Ueberpruefen Sie die Struktur der Antwort, um sicherzustellen, dass Choices vorhanden sind if not response or not hasattr(response, 'choices') or not response.choices: # Wenn die API erfolgreich antwortet, aber keine Choices liefert (unerwartet) logger.error(f"OpenAI Call erfolgreich, aber keine Choices in der Antwort erhalten. Response: {str(response)[:200]}...") # Werfen Sie eine spezifische Exception, die vom Decorator behandelt wird raise openai.error.APIError("Keine Choices in OpenAI Antwort erhalten.") # Extrahieren Sie den Inhalt der ersten (und normalerweise einzigen) Antwort # Sicherstellen, dass message und content Attribute existieren result = response.choices[0].message.content.strip() if hasattr(response.choices[0], 'message') and hasattr(response.choices[0].message, 'content') else "" # Wenn der extrahierte Inhalt leer ist if not result: logger.warning(f"OpenAI Call erfolgreich, erhielt aber leeren Inhalt in der Antwort. Prompt Anfang: {prompt[:100]}...") # Sie koennen hier entscheiden, ob dies ein Fehler ist, der ein Retry rechtfertigt # oder ob ein leerer String eine gueltige (wenn auch unerwuenschte) Antwort ist. # Furs Erste werfen wir eine spezifische Exception, um es im Log zu sehen und ggf. zu wiederholen. #raise openai.error.APIError("OpenAI Antwort hatte leeren Inhalt.") # Kann zu aggressiv sein # Lassen wir es einfach leer zurueckgeben, wenn die API einen leeren Inhalt liefert. return "" # Gebe einen leeren String zurueck # Optional: Token zaehlen fuer die Antwort # try: # # Schaetzen Sie die Token-Zahl der Antwort # completion_tokens = token_count(result, model=current_model) # # Versuchen Sie, die tatsaechliche Gesamt-Token-Zahl aus dem Usage-Objekt zu holen # total_tokens = response.usage.total_tokens if hasattr(response, 'usage') else 'N/A' # logger.debug(f"OpenAI Antwort erhalten ({completion_tokens} Completion Tokens, {total_tokens} Gesamt).") # # TODO: Token-Zahl irgendwo sammeln und im Sheet speichern (z.B. im DataProcessor) # except Exception as e_tc: # logger.debug(f"Fehler beim Token-Zaehlen der Antwort oder Usage Info: {e_tc}"); return result # Gibt den bereinigten Antwortstring zurueck # Die spezifischen OpenAI Exceptions werden vom retry_on_failure Decorator gefangen. # Nur andere unerwartete Exceptions kommen hier direkt an. except Exception as e: # Fangen Sie alle anderen unerwarteten Exceptions ab (z. B. Programmierfehler). # Diese werden bereits vom retry_on_failure Decorator als "UNERWARTETER FEHLER" geloggt # und dort (standardmaessig) nicht wiederholt, sondern sofort weitergeleitet. # Werfen Sie die Exception erneut, damit der retry_on_failure Decorator sie fangen kann. raise e # Leiten Sie die Exception weiter # ============================================================================== # Ende OpenAI API Call Wrapper Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 7: OpenAI Summary Helpers) # ============================================================================== # --- OpenAI Summary Helpers --- # Funktionen zur Zusammenfassung von Website-Inhalten mittels OpenAI. # Nutzt globale Helfer: call_openai_chat, logger, token_count (optional), retry_on_failure. def summarize_website_content(raw_text): """ Erstellt eine Zusammenfassung eines Website-Rohtextes ueber OpenAI. Args: raw_text (str): Der rohe Textinhalt der Website. Returns: str: Die generierte Zusammenfassung oder ein Fehlerwert ("k.A.", etc.). Wirft Exception bei API-Fehlern nach Retries (von call_openai_chat). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN # Pruefe, ob gueltiger Rohtext vorhanden ist (nicht leer oder Standard-Fehlerwerte) if not raw_text or str(raw_text).strip() == "" or str(raw_text).strip().lower() in ["k.a.", "k.a. (nur cookie-banner erkannt)", "k.a. (fehler)"]: logger.debug("summarize_website_content skipped: No valid raw text provided.") return "k.A." # Gebe "k.A." zurueck, wenn kein gueltiger Rohtext vorliegt # Kuerze den Rohtext, falls er sehr lang ist, um Token zu sparen/Limits zu vermeiden. # Die maximale Laenge des Prompts ist das Limit minus der erwarteten Antwortlaenge. # Eine konservative Schaetzung fuer den Eingabetext sind 3000 Zeichen. max_raw_length = 3000 if len(str(raw_text)) > max_raw_length: logger.debug(f"Kuerze Rohtext fuer Zusammenfassung von {len(str(raw_text))} auf {max_raw_length} Zeichen.") raw_text = str(raw_text)[:max_raw_length] # Kuerzen des Textes # Erstelle den Prompt fuer die Zusammenfassung prompt = ( "Du bist ein KI-Assistent, der Webinhalte analysiert.\n" "Fasse den folgenden Text einer Unternehmenswebsite praegnant zusammen. " "Konzentriere dich dabei auf:\n" "- Haupttaetigkeitsfeld des Unternehmens\n" "- Wichtigste Produkte und/oder Dienstleistungen\n" "- Zielgruppe (falls erkennbar)\n\n" f"Website-Text:\n```\n{raw_text}\n```\n\n" "Zusammenfassung (max. 100 Woerter):" ) # Rufe die zentrale OpenAI Chat API Funktion auf. # call_openai_chat nutzt den retry_on_failure Decorator und wirft bei endgueltigem Fehler eine Exception. # Diese Exception wird hier NICHT gefangen, sondern weitergereicht (z.B. an _process_single_row). try: # Standard Temperatur 0.2 fuer Zusammenfassungen summary = call_openai_chat(prompt, temperature=0.2) # Wenn call_openai_chat erfolgreich ist, gibt es den String zurueck (auch wenn leer). # Wenn der extrahierte Inhalt leer ist, geben wir "k.A." zurueck. return summary if summary and summary.strip() else "k.A. (Keine Zusammenfassung erhalten)" except Exception as e: # Wenn call_openai_chat nach Retries eine Exception wirft # Der Fehler wird bereits vom retry_on_failure Decorator geloggt. # Geben Sie einen Fehlerwert zurueck, der im Sheet gespeichert werden kann. # Die Exception wird hier gefangen, um einen Rueckgabewert zu liefern, anstatt die Exception weiterzuleiten. logger.error(f"FEHLER bei Website Zusammenfassung nach Retries: {e}") # Logge den Fehler return f"k.A. (Fehler Zusammenfassung: {str(e)[:50]}...)" # Signalisiert Fehler # --- Batch-Zusammenfassungsfunktion --- # Fasst mehrere Texte in einem einzigen OpenAI API Call zusammen. # Basierend auf summarize_batch_openai aus Teil 7/9. # Nutzt globale Helfer: call_openai_chat, logger, token_count (optional), retry_on_failure. @retry_on_failure # Wende den Decorator auf den gesamten Batch-API Call an def summarize_batch_openai(tasks_data): """ Fasst eine Liste von Rohtexten in einem einzigen OpenAI API Call zusammen. Dies ist effizienter fuer die Verarbeitung mehrerer Zusammenfassungen. Args: tasks_data (list): Eine Liste von Dictionaries, jedes enthaelt: {'row_num': int, 'raw_text': str} Returns: dict: Ein Dictionary, das Zeilennummern auf ihre Zusammenfassungen mappt. z.B. {2122: "Zusammenfassung A", 2123: "Zusammenfassung B"} Bei Fehlern oder fehlenden Zusammenfassungen wird ein Fehlerstring verwendet. Wirft Exception bei endgueltigen API-Fehlern nach Retries. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN if not tasks_data: return {} # Gebe leeres Dictionary zurueck, wenn keine Tasks da sind # Filtere Tasks, die gueltigen Text haben (nicht leer oder Standard-Fehlerwerte). valid_tasks = [t for t in tasks_data if t.get("raw_text") and str(t["raw_text"]).strip().lower() not in ["k.a.", "k.a. (nur cookie-banner erkannt)", "k.a. (fehler)"]] # Wenn keine gueltigen Tasks vorhanden sind if not valid_tasks: logger.debug("Keine gueltigen Rohtexte fuer Batch-Zusammenfassung gefunden.") # Geben Sie ein Ergebnisdict zurueck, das dies fuer alle urspruenglichen Zeilen widerspiegelt return {t['row_num']: "k.A. (Kein gueltiger Rohtext im Batch)" for t in tasks_data} logger.debug(f"Starte Batch-Zusammenfassung fuer {len(valid_tasks)} gueltige Texte (Zeilen: {[t['row_num'] for t in valid_tasks]})...") # --- Aggregierten Prompt erstellen --- prompt_parts = [ "Du bist ein KI-Assistent, der Webinhalte analysiert.", "Fasse fuer JEDEN der folgenden Texte einer Unternehmenswebsite praegnant zusammen. " # Umlaute vermeiden im Prompt "Konzentriere dich dabei auf:\n" "- Haupttaetigkeitsfeld des Unternehmens\n" # Umlaute vermeiden "- Wichtigste Produkte und/oder Dienstleistungen\n" "- Zielgruppe (falls erkennbar)\n\n" "Gib das Ergebnis fuer JEDEN Text im folgenden Format aus, auf einer neuen Zeile:\n" # Umlaute vermeiden "RESULTAT : \n\n" # Umlaute vermeiden "Halte jede Zusammenfassung kurz, max. 100 Woerter.\n\n", # Umlaute vermeiden "--- Texte zur Zusammenfassung ---" ] text_block = "" row_numbers_in_batch = [] # Liste der Zeilennummern, die tatsaechlich in diesem API-Prompt enthalten sind # Baue den Textblock zusammen. Kuerze jeden einzelnen Text, um das Gesamtprompt-Limit nicht zu sprengen. max_chars_per_single_text_in_batch = 1500 # Zeichenlimit fuer jeden Text innerhalb des Batch-Prompts for task in valid_tasks: row_num = task['row_num'] raw_text = str(task['raw_text']) # Sicherstellen, dass es ein String ist raw_text_short = raw_text[:max_chars_per_single_text_in_batch] # Kuerzen fuer den Prompt entry_text = f"\n--- TEXT Zeile {row_num} ---\n{raw_text_short}\n--- ENDE TEXT Zeile {row_num} ---\n" text_block += entry_text row_numbers_in_batch.append(row_num) # Fuege die Zeilennummer zur Liste im Batch hinzu # Wenn nach der Filterung und Kuerzung keine Zeilen mehr uebrig sind (sollte oben abgefangen sein, aber zur Sicherheit) if not row_numbers_in_batch: logger.debug("Keine Zeilen uebrig fuer OpenAI Prompt nach Filterung/Kuerzung im Batch.") return {t['row_num']: "k.A. (Kein Rohtext im Batch)" for t in tasks_data} prompt_parts.append(text_block) prompt_parts.append("\n--- Ende der Texte ---") prompt_parts.append("\nBitte gib NUR die 'RESULTAT : ...' Zeilen zurueck.") final_prompt = "\n".join(prompt_parts) # Optional: Token zaehlen zur Info, aber nicht zur Blockade # try: prompt_tokens = token_count(final_prompt, model=getattr(Config, 'TOKEN_MODEL', 'gpt-3.5-turbo')); logger.debug(f"Geschaetzt Prompt-Tokens fuer Batch: {prompt_tokens}."); # except Exception as e_tc: logger.debug(f"Fehler beim Token-Zaehlen: {e_tc}"); # --- OpenAI API Call --- # call_openai_chat nutzt den retry_on_failure Decorator und wirft bei endgueltigem Fehler eine Exception. # Der retry_on_failure Decorator auf dieser summarize_batch_openai Funktion faengt die Exception # von call_openai_chat und fuehrt die Retries fuer die GESAMTE Batch-Funktion durch. chat_response = None try: chat_response = call_openai_chat(final_prompt, temperature=0.2) # Wenn call_openai_chat erfolgreich ist, gibt es den String zurueck. # Exceptions werden nach Retries geworfen und vom aeusseren retry_on_failure dieser Funktion gefangen. if not chat_response: # Dieser Fall sollte nach der Aenderung in call_openai_chat nicht mehr auftreten (wuerde Exception werfen) logger.error("call_openai_chat gab unerwarteterweise None zurueck fuer Batch-Zusammenfassung.") # Werfen Sie eine spezifische Exception, damit der aeussere Decorator sie faengt raise openai.error.APIError("Keine Antwort von OpenAI erhalten fuer Batch-Zusammenfassung.") except Exception as e: # Wenn call_openai_chat oder der aeussere retry_on_failure eine Exception wirft # Die Exception wird hier gefangen, bevor sie an den Aufrufer (DataProcessor Methode) weitergeleitet wird. logger.error(f"Endgueltiger FEHLER beim OpenAI-Batch-Aufruf fuer Zusammenfassung (innerhalb Batch Decorator): {e}") # Geben Sie ein Dictionary zurueck, das signalisiert, dass fuer alle Zeilen im Batch ein Fehler aufgetreten ist return {row_num: f"FEHLER API: {str(e)[:100]}" for row_num in row_numbers_in_batch} # --- Antwort parsen --- summaries = {} # Initialisieren Sie das Ergebnis-Dictionary lines = chat_response.strip().split('\n') parsed_count = 0 for line in lines: # Matcht "RESULTAT :" und den Rest der Zeile match = re.match(r"RESULTAT (\d+): (.*)", line.strip()) if match: row_num = int(match.group(1)) summary_text = match.group(2).strip() # Stellen Sie sicher, dass die Zeilennummer im urspruenglichen Batch war if row_num in row_numbers_in_batch: summaries[row_num] = summary_text parsed_count += 1 # else: logger.debug(f"Warnung: Antwort fuer unerwartete Zeilennummer {row_num} im Batch erhalten.") # Zu viel Laerm logger.debug(f"Batch-Zusammenfassung: {parsed_count} von {len(row_numbers_in_batch)} Zeilen erfolgreich geparst.") # Fuegen Sie einen Fehlerwert fuer Zeilen hinzu, die nicht geparst werden konnten (z.B. falsches Antwortformat) if parsed_count < len(row_numbers_in_batch): logger.warning(f"Nicht alle Zeilen aus dem Batch ({len(row_numbers_in_batch)}) konnten in der OpenAI-Antwort ({len(lines)} Zeilen) geparst werden.") logger.debug(f"Unerwartete Antwortteile (erste 500 Zeichen): {chat_response[:500]}") for row_num in row_numbers_in_batch: if row_num not in summaries: summaries[row_num] = "FEHLER: Antwort nicht geparst" # Fuege k.A. fuer Tasks hinzu, die ungueltigen Rohtext hatten (aus valid_tasks gefiltert) # Diese waren nie Teil des OpenAI Prompts und hatten daher kein Ergebnis original_row_nums = {t['row_num'] for t in tasks_data} for row_num in original_row_nums: if row_num not in summaries: summaries[row_num] = "k.A. (Kein gueltiger Rohtext im Batch)" return summaries # Rueckgabe des Dictionarys mit Ergebnissen oder Fehlern # ============================================================================== # Ende OpenAI Summary Helpers Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 8: OpenAI Branch Helper) # ============================================================================== # --- OpenAI Branch Helper --- # Funktion zur Branchenbewertung mittels OpenAI. # Nutzt globale Helfer: ALLOWED_TARGET_BRANCHES, TARGET_SCHEMA_STRING, # call_openai_chat, logger, re, retry_on_failure. @retry_on_failure # Wende den Decorator auf diese Funktion an, da sie call_openai_chat aufruft def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kategorien, website_summary): """ Ordnet das Unternehmen basierend auf den angegebenen Informationen exakt einer Branche aus dem Ziel-Branchenschema (nur Kurzformen) zu. Validiert den ChatGPT-Vorschlag strikt gegen die erlaubten Kurzformen und fuehrt einen Fallback auf die (extrahierte) CRM-Kurzform durch, falls der Vorschlag ungueltig ist. Args: crm_branche (str): Branche laut CRM (kann noch Praefix enthalten). beschreibung (str): Unternehmensbeschreibung (CRM). wiki_branche (str): Branche aus Wikipedia (falls vorhanden). wiki_kategorien (str): Wikipedia-Kategorien. website_summary (str): Zusammenfassung des Website-Inhalts. Returns: dict: Enthaehlt "branch" (die finale, gueltige Kurzform oder Fehler), "consistency" ('ok', 'X', 'fallback_crm_valid', 'fallback_invalid', 'error_...'), "justification" (Begruendung von ChatGPT oder Fallback-Info). Wirft Exception bei API-Fehlern nach Retries (von call_openai_chat). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN # Zugriff auf globale Variablen (befuellt von load_target_schema im Block 6) global ALLOWED_TARGET_BRANCHES, TARGET_SCHEMA_STRING # Grundlegende Pruefung: Ist das Schema ueberhaupt geladen? if not ALLOWED_TARGET_BRANCHES: logger.critical("FEHLER in evaluate_branche_chatgpt: Ziel-Branchenschema (ALLOWED_TARGET_BRANCHES) ist leer. Kann Branchen nicht validieren.") # Geben Sie ein Fehlerergebnis zurueck return {"branch": "FEHLER - SCHEMA FEHLT", "consistency": "error_schema_missing", "justification": "Fehler: Ziel-Schema nicht geladen"} # Erstelle Lookup fuer erlaubte Branches (case-insensitive) allowed_branches_lookup = {b.lower(): b for b in ALLOWED_TARGET_BRANCHES} # --- Prompt fuer ChatGPT erstellen --- # Beginne mit den Regeln und der Liste der gueltigen Kurzformen prompt_parts = [TARGET_SCHEMA_STRING] # Enthält bereits die Liste und Anweisungen prompt_parts.append("\nOrdne das Unternehmen anhand folgender Angaben exakt einer Branche des Ziel-Branchenschemas (Kurzformen) zu:") # Fuege nur vorhandene Informationen hinzu und kuerze sie ggf. # Stellen Sie sicher, dass die Werte keine None-Typen sind if crm_branche and str(crm_branche).strip() and str(crm_branche).strip().lower() != "k.a.": prompt_parts.append(f"- CRM-Branche (Referenz): {str(crm_branche).strip()}") if beschreibung and str(beschreibung).strip() and str(beschreibung).strip().lower() != "k.a.": prompt_parts.append(f"- Beschreibung: {str(beschreibung).strip()[:500]}...") # Kuerzen if wiki_branche and str(wiki_branche).strip() and str(wiki_branche).strip().lower() != "k.a.": prompt_parts.append(f"- Wikipedia-Branche: {str(wiki_branche).strip()[:300]}...") # Kuerzen if wiki_kategorien and str(wiki_kategorien).strip() and str(wiki_kategorien).strip().lower() != "k.a.": prompt_parts.append(f"- Wikipedia-Kategorien: {str(wiki_kategorien).strip()[:500]}...") # Kuerzen if website_summary and str(website_summary).strip() and str(website_summary).strip().lower() != "k.a." and not str(website_summary).strip().startswith("k.A. (Fehler"): # Pruefe auch auf Website Summary Fehlerwerte prompt_parts.append(f"- Website-Zusammenfassung: {str(website_summary).strip()[:500]}...") # Kuerzen # Fallback, wenn zu wenige Infos da sind (mindestens 2 relevante Zeilen im Prompt neben dem Schema) # Der Prompt hat immer mindestens 1 Zeile (Schema) + 1 Zeile (Instruktion "Ordne zu..."). # Pruefen wir, ob mindestens 2 Info-Zeilen hinzugefuegt wurden. if len(prompt_parts) < 3: # 1 (Schema) + 1 (Instruktion) + <2 (Infos) logger.warning("Warnung in evaluate_branche_chatgpt: Zu wenige Informationen (<2 Quellen) fuer Branchenevaluierung.") # Geben Sie ein Fehlerergebnis zurueck, verwenden Sie die CRM-Branche als Fallback return {"branch": crm_branche, "consistency": "error_no_info", "justification": "Fehler: Zu wenige Informationen fuer eine Einschaetzung"} # Prompt fuer das Antwortformat ist bereits in TARGET_SCHEMA_STRING enthalten. prompt = "\n".join(prompt_parts) # logger.debug(f"Erstellter Prompt fuer Branchenevaluierung:\n---\n{prompt}\n---") # Zu viel Laerm im Debug # --- ChatGPT aufrufen --- # call_openai_chat nutzt den retry_on_failure Decorator und wirft bei endgueltigem Fehler eine Exception chat_response = None try: chat_response = call_openai_chat(prompt, temperature=0.0) # Niedrige Temperatur fuer konsistente Zuordnung if not chat_response: # Dieser Fall sollte nach der Aenderung in call_openai_chat nicht mehr auftreten (wuerde Exception werfen) logger.error("call_openai_chat gab unerwarteterweise None zurueck fuer Branchenevaluation.") raise openai.error.APIError("Keine Antwort von OpenAI erhalten fuer Branchenevaluation.") # Wirf eine Exception except Exception as e: # Wenn call_openai_chat nach Retries eine Exception wirft # Der Fehler wird bereits vom retry_on_failure Decorator geloggt. logger.error(f"Endgueltiger FEHLER beim OpenAI-Aufruf fuer Branchenevaluation: {e}") # Geben Sie ein Fehlerergebnis zurueck, verwenden Sie die CRM-Branche als Fallback # Haengen Sie die Fehlermeldung an die Begruendung an. return {"branch": crm_branche, "consistency": "error_api_failed", "justification": f"Fehler API: {str(e)[:100]}"} # --- Antwort parsen --- lines = chat_response.strip().split("\n") # Initialisiere Ergebnisdict mit Fallback-Werten oder leeren Strings result = {"branch": None, "consistency": None, "justification": ""} suggested_branch = "" parsed_branch = False for line in lines: line_lower = line.lower(); line_stripped = line.strip() if line_lower.startswith("branche:"): # Extrahiere die vorgeschlagene Branche, bereinige Leerzeichen und Anfuehrungszeichen suggested_branch = line_stripped.split(":", 1)[1].strip().strip('"\'') parsed_branch = True elif line_lower.startswith("uebereinstimmung:") or line_lower.startswith("ubereinstimmung:"): # Beruecksichtige Umlaute und keine Umlaute # Wir ueberschreiben die Konsistenz spaeter basierend auf unserer Logik, ignorieren Sie die KI-Antwort hier pass elif line_lower.startswith("begruendung:") or line_lower.startswith("begruendung:"): # Beruecksichtige Umlaute und keine Umlaute # Erfasse die Begruendung. Wenn es mehrere Begruendungszeilen gibt, haenge sie an. justification_text = line_stripped.split(":", 1)[1].strip() if result["justification"]: result["justification"] += " " + justification_text else: result["justification"] = justification_text # Behandle andere moegliche unerwartete Zeilen (optional) # elif line_lower.startswith(("resultat", "eintrag", "antwort")): # logger.warning(f"Unerwartete Zeile im Branchen-Prompt gefunden: {line[:100]}...") # Pruefe, ob Branch geparst wurde UND nicht leer ist if not parsed_branch or not suggested_branch or suggested_branch.lower() in ["k.a.", "n/a"]: # Fuege "k.a." zur Pruefung hinzu logger.error(f"Fehler in evaluate_branche_chatgpt: Konnte 'Branche:' nicht oder nur leer/k.A. aus Antwort parsen: {chat_response[:500]}...") # Logge Anfang der Antwort # Geben Sie ein Fehlerergebnis zurueck, verwenden Sie die CRM-Branche als Fallback return {"branch": crm_branche, "consistency": "error_parsing", "justification": f"Fehler Parsing: Antwortformat unerwartet."} # --- Validierung des ChatGPT-Vorschlags --- final_branch = None suggested_branch_lower = suggested_branch.lower() # 1. Ist der vorgeschlagene Branch EXAKT im Ziel-Schema enthalten? if suggested_branch_lower in allowed_branches_lookup: final_branch = allowed_branches_lookup[suggested_branch_lower] # Nimm die korrekte Schreibweise aus der Liste logger.debug(f"ChatGPT-Branchenvorschlag '{suggested_branch}' ist gueltig ('{final_branch}').") result["consistency"] = "pending_comparison" # Temporaer Status vor Vergleich mit CRM else: # --- Fallback-Logik, wenn Vorschlag ungueltig ist --- logger.debug(f"ChatGPT-Branchenvorschlag '{suggested_branch}' ist NICHT im Ziel-Schema ({len(ALLOWED_TARGET_BRANCHES)} Eintraege). Starte Fallback...") # Versuche Kurzform aus CRM-Branche zu extrahieren crm_short_branch = "k.A." # Default # Stellen Sie sicher, dass crm_branche ein String ist if crm_branche and isinstance(crm_branche, str) and ">" in crm_branche: crm_short_branch = crm_branche.split(">", 1)[1].strip() # Wenn CRM schon Kurzform sein koennte (nicht leer/k.A. und kein Praefix > enthalten) elif crm_branche and isinstance(crm_branche, str) and crm_branche.strip() and crm_branche.strip().lower() != "k.a.": crm_short_branch = crm_branche.strip() logger.debug(f" Fallback: Pruefe extrahierte CRM-Kurzform: '{crm_short_branch}'") crm_short_branch_lower = crm_short_branch.lower() # 2. Ist die extrahierte CRM-Kurzform EXAKT im Ziel-Schema enthalten? if crm_short_branch != "k.A." and crm_short_branch_lower in allowed_branches_lookup: final_branch = allowed_branches_lookup[crm_short_branch_lower] # Nimm korrekte Schreibweise result["consistency"] = "fallback_crm_valid" # Setze Fallback-Status # Kombiniere ChatGPT Begruendung (falls vorhanden) mit Fallback-Info fallback_reason = f"Fallback: Ungueltiger ChatGPT-Vorschlag ('{suggested_branch}'). Gueltige CRM-Kurzform '{final_branch}' verwendet." result["justification"] = f"{fallback_reason} (ChatGPT Begruendung war: {result.get('justification', 'Keine')})" logger.info(f"Fallback auf gueltige CRM-Kurzform erfolgreich: '{final_branch}'") else: # 3. Wenn auch CRM-Kurzform ungueltig final_branch = suggested_branch # Behalte ungueltigen Vorschlag result["consistency"] = "fallback_invalid" # Setze Fehler-Fallback-Status error_reason = f"Fehler: Ungueltiger ChatGPT-Vorschlag ('{suggested_branch}') und keine gueltige CRM-Kurzform ('{crm_short_branch}') als Fallback verfuegbar." result["justification"] = f"{error_reason} (ChatGPT Begruendung war: {result.get('justification', 'Keine')})" logger.warning(f"Fallback fehlgeschlagen. Ungueltiger Vorschlag: '{final_branch}', Ungueltige CRM-Kurzform: '{crm_short_branch}'") # Alternativ: Setze final_branch auf einen expliziten Fehlerwert, um es im Sheet hervorzuheben # final_branch = "FEHLER - UNGUELTIGE ZUWEISUNG" # Optional # Setze den finalen Branch im Ergebnis-Dictionary # Verwenden Sie einen Standard-Fehlerwert, falls final_branch aus irgendeinem Grund immer noch None ist result["branch"] = final_branch if final_branch else "FEHLER" # --- Konsistenzpruefung (Finale Bewertung des final_branch vs. CRM-Kurzform) --- # Extrahiere CRM-Kurzform fuer den Vergleich (erneut oder Variable von oben) crm_short_to_compare = "k.A." if crm_branche and isinstance(crm_branche, str) and ">" in crm_branche: crm_short_to_compare = crm_branche.split(">", 1)[1].strip() elif crm_branche and isinstance(crm_branche, str) and crm_branche.strip() and crm_branche.strip().lower() != "k.a.": crm_short_to_compare = crm_branche.strip() # Vergleiche finalen Branch (falls nicht FEHLER) mit CRM-Kurzform (case-insensitive) # Aktualisiere den Consistency-Status, WENN er noch 'pending_comparison' ist. # Fallback-Status ('fallback_crm_valid', 'fallback_invalid') sollen erhalten bleiben. if result["consistency"] == "pending_comparison" and result["branch"] != "FEHLER": if result["branch"].lower() == crm_short_to_compare.lower(): result["consistency"] = "ok" # Uebereinstimmung mit CRM else: result["consistency"] = "X" # Keine Uebereinstimmung mit CRM # Entferne den temporaeren Status, falls er noch da ist (sollte nicht passieren) if result["consistency"] == "pending_comparison": logger.warning("Konsistenzpruefung blieb im Status 'pending_comparison', setze auf 'error_comparison_failed'.") result["consistency"] = "error_comparison_failed" elif result["consistency"] is None: # Sollte nicht passieren logger.error("Konsistenz blieb unerwartet None, setze auf 'error_unknown_state'.") result["consistency"] = "error_unknown_state" # Debug-Ausgabe des finalen Ergebnisses vor Rueckgabe logger.debug(f"Finale Branch-Evaluation Ergebnis: Branch='{result.get('branch')}', Consistency='{result.get('consistency')}', Justification='{result.get('justification', '')[:100]}...'") return result # Rueckgabe des Ergebnis-Dictionarys # ============================================================================== # Ende OpenAI Branch Helper Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 9: SerpAPI Search Helpers) # ============================================================================== # --- SERP API / LINKEDIN FUNCTIONS --- # Funktionen zur Suche ueber SerpAPI (Google Search). # Nutzt globale Helfer: Config.API_KEYS, requests, retry_on_failure, # simple_normalize_url, normalize_company_name, unquote, logger, re. # serp_wikipedia_lookup ist bereits in Teil 1/18 enthalten (oder sollte es sein, da es direkt nach retry_on_failure kam). # Es ist hier im globalen Sektion 3 Block nun korrekt platziert. @retry_on_failure # Wende den Decorator an def serp_wikipedia_lookup(company_name, website=None, min_score=0.4): """ Sucht ueber SerpAPI (Google) nach dem wahrscheinlichsten Wikipedia-Artikel fuer ein Unternehmen. Verwendet flexible Query, sammelt Top-10-Kandidaten, bewertet nach Titelaehnlichkeit und Keywords, bevorzugt deutsche/englische Artikel. Args: company_name (str): Der Name des Unternehmens. website (str, optional): Die Website des Unternehmens (fuer Kontext in Query). Defaults to None. min_score (float, optional): Mindest-Score (Kombination aus Aehnlichkeit und Boni) fuer einen gueltigen Treffer. Defaults to 0.4. Returns: str: Die URL des relevantesten Wikipedia-Artikels oder None. Wirft Exception bei API-Fehlern nach Retries. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN serp_key = Config.API_KEYS.get('serpapi') if not serp_key: logger.error("Fehler: SerpAPI Key nicht verfuegbar fuer Wikipedia Lookup.") # Werfen Sie eine spezifische Exception, die vom retry_on_failure behandelt wird raise ConnectionRefusedError("SerpAPI Key nicht konfiguriert.") if not company_name or str(company_name).strip() == "": logger.warning("serp_wikipedia_lookup: Kein Firmenname angegeben.") # Werfen Sie einen ValueError, der vom retry_on_failure behandelt wird raise ValueError("Kein Firmenname fuer SerpAPI Wikipedia Lookup angegeben.") # --- Flexible Query Konstruktion --- # Ohne Anfuehrungszeichen fuer breitere Suche query = f'{company_name} Wikipedia' # Fuegen Sie die Domain als Kontext hinzu, wenn vorhanden und valide if website and simple_normalize_url(website) != "k.A.": # Fuegen Sie die Domain als zusaetzlichen Suchterm hinzu, um die Relevanz zu verbessern query = f'{company_name} Wikipedia {simple_normalize_url(website)}' logger.info(f"Starte SerpAPI Wikipedia-Suche fuer '{company_name}' mit Query: '{query[:100]}...'") # Logge gekuerzte Query params = { "engine": "google", "q": query, "api_key": serp_key, "hl": "de", # Host Language (Sprache der Benutzeroberflaeche) "gl": "de", # Geo Location (Land) "num": 10 # Top 10 Ergebnisse pruefen } api_url = "https://serpapi.com/search" try: # Der Requests Call wird vom retry_on_failure Decorator behandelt. # Timeout sollte aus Config kommen. response = requests.get(api_url, params=params, timeout=getattr(Config, 'REQUEST_TIMEOUT', 15)) response.raise_for_status() # Wirft HTTPError fuer 4xx/5xx Antworten. Wird vom Decorator gefangen. data = response.json() candidates = [] # Liste von Dictionaries: {'url': str, 'title': str} if "organic_results" in data: logger.debug(f" -> Pruefe {len(data['organic_results'])} organische Ergebnisse...") # Iteriere durch alle organischen Ergebnisse for result in data["organic_results"]: link = result.get("link") # Filtere gueltige Wiki-Artikel-Links (bevorzuge de oder en Wikipedia) if link and isinstance(link, str) and "wikipedia.org/wiki/" in link.lower() \ and (link.lower().startswith("https://de.wikipedia.org") or link.lower().startswith("https://en.wikipedia.org")) \ and not any(x in link.lower() for x in ['datei:', 'spezial:', 'portal:', 'hilfe:', 'diskussion:', 'template:']): # Filter fuer unerwuenschte Wiki-Seiten try: # Extrahiere den Artikel-Titel aus der URL title_part = link.split('/wiki/', 1)[1] # Handle eventuelle Anker (#) am Ende der URL title_part = title_part.split('#')[0] # Dekodiere URL-kodierte Zeichen und ersetze Unterstriche durch Leerzeichen title = unquote(title_part).replace('_', ' ') candidates.append({'url': link, 'title': title}) # logger.debug(f" -> Kandidat gefunden: '{title}' ({link})") # Zu viel Laerm im Debug except Exception as e_title_extract: # Logge Fehler bei der Titel-Extraktion, aber fahre mit naechstem Kandidaten fort logger.debug(f" -> Fehler beim Extrahieren des Titels aus Link {link[:100]}...: {e_title_extract}") continue # Pruefe naechsten Kandidaten # Wenn keine Kandidaten gefunden wurden if not candidates: logger.warning(f" -> SerpAPI: Keine de/en Wikipedia-Kandidaten-URLs in Ergebnissen fuer '{company_name}' gefunden.") return None # Signalisiert, dass kein passender Artikel gefunden wurde # Bewerte Kandidaten nach Relevanz best_match_url = None highest_score = -1.0 # Normalisiere den Suchnamen des Unternehmens (nutzt globale Helfer) normalized_search_name = normalize_company_name(company_name) logger.debug(f" -> Bewerte {len(candidates)} Kandidaten...") # Iteriere durch die gesammelten Kandidaten for cand in candidates: url = cand['url'] title = cand['title'] try: # Normalisiere den Titel des Kandidaten (nutzt globale Helfer) normalized_title = normalize_company_name(title) title_lower = title.lower() # Fuer Keyword-Suche except Exception as e_norm: # Logge Fehler bei der Normalisierung des Titels, aber ueberspringe diesen Kandidaten logger.warning(f"Fehler beim Normalisieren des Titels '{title[:100]}...': {e_norm}. Ueberspringe Kandidatenbewertung.") continue # Ueberspringe diesen Kandidaten # 1. Basisscore: Titelaehnlichkeit (Normalisierte Namen verwenden) similarity = SequenceMatcher(None, normalized_title, normalized_search_name).ratio() score = similarity # logger.debug(f" -> Kandidat '{title[:100]}...': Basis-Aehnlichkeit={similarity:.2f}") # Zu viel Laerm im Debug # 2. Bonus fuer Keywords im Titel (z.B. "(Unternehmen)", Rechtsformen) bonus = 0.0 if "(unternehmen)" in title_lower: bonus += 0.2 # Starker Bonus fuer eindeutige Kennzeichnung # logger.debug(" -> Bonus +0.2 fuer '(unternehmen)'") # Zu viel Laerm im Debug # Pruefe auf gaengige Rechtsformen am Ende des Titels elif re.search(r'\b(?:gmbh|ag|kg|ltd|inc|corp|s\.?a\.?|se|group|holding)\b$', title_lower): # Regex fuer Wortgrenze am Ende bonus += 0.1 # Kleinerer Bonus # logger.debug(" -> Bonus +0.1 fuer Rechtsform/Gruppen-Keyword") # Zu viel Laerm im Debug # 3. Bonus fuer Sprache (Deutsch bevorzugt) if url.lower().startswith("https://de.wikipedia.org"): bonus += 0.05 # logger.debug(" -> Bonus +0.05 fuer de.wikipedia.org") # Zu viel Laerm im Debug # Gesamtscore ist Basis-Aehnlichkeit plus Boni total_score = score + bonus # logger.debug(f" -> Gesamtscore fuer '{title[:100]}...': {total_score:.3f} (Aehnlichkeit={similarity:.2f}, Bonus={bonus:.2f})") # Zu viel Laerm im Debug # Aktualisiere besten Treffer, wenn der aktuelle Kandidat einen hoeheren Score hat # UND der Gesamtscore ueber dem definierten Mindestscore liegt. if total_score > highest_score and total_score >= min_score: highest_score = total_score best_match_url = url # Speichere die URL des besten Treffers logger.debug(f" ====> Neuer bester Kandidat: {best_match_url[:100]}... (Score: {highest_score:.3f}) ====") # Wenn nach Pruefung aller Kandidaten ein bester Treffer gefunden wurde (Score >= min_score) if best_match_url: logger.info(f" -> SerpAPI: Bester relevanter Wikipedia-Link ausgewaehlt: {best_match_url[:100]}... (Score: {highest_score:.3f})") return best_match_url # Gebe die gefundene URL zurueck else: # Wenn keiner der Kandidaten den Mindestscore erreicht hat logger.warning(f" -> SerpAPI: Keiner der {len(candidates)} Kandidaten erreichte den Mindestscore ({min_score}) fuer '{company_name}'.") return None # Signalisiert, dass kein passender Artikel gefunden wurde except Exception as e: # retry_on_failure wirft Exception im Fehlerfall erneut # Fangen Sie alle anderen unerwarteten Exceptions ab. # Der Fehler wird bereits vom retry_on_failure Decorator geloggt. logger.error(f"FEHLER bei der SerpAPI Wikipedia Suche fuer '{company_name}': {e}") # Werfen Sie die Exception erneut, damit der retry_on_failure Decorator sie handhaben kann (z.B. loggen beim endgueltigen Scheitern). raise e # Leite die Exception weiter @retry_on_failure def serp_website_lookup(company_name): """ Ermittelt die offizielle Website eines Unternehmens ueber SerpAPI (Google Suche). Gibt die normalisierte URL zurueck oder "k.A.". Args: company_name (str): Der Name des Unternehmens. Returns: str: Die normalisierte Website URL oder "k.A." bei Fehler/nicht gefunden. Wirft Exception bei API-Fehlern nach Retries. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN serp_key = Config.API_KEYS.get('serpapi') if not serp_key: logger.error("Fehler: SerpAPI Key nicht verfuegbar fuer Website Lookup.") # Werfen Sie eine spezifische Exception, die vom retry_on_failure behandelt wird raise ConnectionRefusedError("SerpAPI Key nicht konfiguriert.") if not company_name or str(company_name).strip() == "": logger.warning("serp_website_lookup: Kein Firmenname angegeben.") # Werfen Sie einen ValueError raise ValueError("Kein Firmenname fuer SerpAPI Website Lookup angegeben.") # Blacklist unerwuenschter Domains (kann in Config verschoben werden) # Diese Domains sind in der Regel keine offiziellen Unternehmenswebsites. blacklist = ["bloomberg.com", "northdata.de", "finanzen.net", "handelsblatt.com", "wikipedia.org", "linkedin.com", "xing.com", "youtube.com", "facebook.com", "twitter.com", "instagram.com", "glassdoor.com", "kununu.com"] # Query anpassen fuer bessere Ergebnisse (suche nach der "offiziellen Website") query = f'{company_name} offizielle Website' # Fuegen Sie optional den Ort hinzu, wenn verfuegbar (muesste als Argument uebergeben werden) # if city and city != "k.A.": query = f'{company_name} offizielle Website {city}' logger.info(f"Starte SerpAPI Website-Suche fuer '{company_name}' mit Query: '{query[:100]}...'") # Logge gekuerzte Query params = { "engine": "google", "q": query, "api_key": serp_key, "hl": "de", # Host Language (Sprache der Benutzeroberflaeche) "gl": "de", # Geo Location (Land) "safe": "active" # SafeSearch aktivieren } api_url = "https://serpapi.com/search" try: # Der Requests Call wird vom retry_on_failure Decorator behandelt. # Timeout sollte aus Config kommen. response = requests.get(api_url, params=params, timeout=getattr(Config, 'REQUEST_TIMEOUT', 15)) response.raise_for_status() # Wirft HTTPError fuer 4xx/5xx Antworten. Wird vom Decorator gefangen. data = response.json() # 1. Knowledge Graph pruefen (oft die offizielle Seite) # Dies ist oft der zuverlaessigste Treffer if "knowledge_graph" in data and "website" in data["knowledge_graph"]: kg_url = data["knowledge_graph"].get("website") if kg_url and isinstance(kg_url, str): # Stelle sicher, dass kg_url ein String ist # Pruefen Blacklist VOR Normalisierung if any(bad_domain in kg_url.lower() for bad_domain in blacklist): logger.debug(f" -> SerpAPI Website Lookup: KG URL '{kg_url[:100]}...' auf Blacklist. Uebersprungen.") # Gekuerzt loggen else: # Normalisiere die URL (nutzt globale Helfer) normalized_url = simple_normalize_url(kg_url) # Wenn die Normalisierung erfolgreich war (kein "k.A.") if normalized_url != "k.A.": logger.info(f"SERP Lookup: Website '{normalized_url}' aus Knowledge Graph fuer '{company_name}' gefunden.") return normalized_url # Erfolgreich gefunden und zurueckgegeben # 2. Organische Ergebnisse pruefen if "organic_results" in data: # Iteriere durch die ersten Ergebnisse (pruefe nur die Top N Ergebnisse) # N ist hier fest auf 5 gesetzt, kann aber angepasst werden. for result in data["organic_results"][:5]: url = result.get("link", "") title = result.get("title", "") # Titel kann Kontext geben snippet = result.get("snippet", "") # Snippet kann Kontext geben # Filtere: Muss gueltige URL sein, darf nicht auf Blacklist sein, muss http/https starten if url and isinstance(url, str) and url.lower().startswith(("http://", "https://")) and not any(bad_domain in url.lower() for bad_domain in blacklist): # Normalisiere die URL (nutzt globale Helfer) normalized_url = simple_normalize_url(url) # Wenn die Normalisierung erfolgreich war (kein "k.A.") if normalized_url != "k.A.": # Zusaetzliche Plausibilitaetspruefung: Ist die Domain oder der Firmenname # im Titel oder Snippet des Suchergebnisses relevant fuer das Unternehmen? # normalize_company_name nutzt globale Funktion normalized_company = normalize_company_name(company_name) # Extrahieren Sie den ersten Teil der Domain (vor dem ersten Punkt) domain_part_normalized = normalized_url.replace('www.', '').split('.')[0] title_lower = title.lower() snippet_lower = snippet.lower() # Pruefe, ob der normalisierte Domain-Teil im normalisierten Firmennamen enthalten ist domain_name_match = domain_part_normalized in normalized_company # Pruefe, ob der normalisierte Firmenname (oder Teile davon) im Titel oder Snippet vorkommt # Kann auch auf Kurzform pruefen name_in_result_text = normalized_company in title_lower or normalized_company in snippet_lower # Oder eine praezisere Fuzzy-Suche # Definieren Sie Kriterien fuer einen guten Treffer im organischen Ergebnis # Eine gute URL sollte entweder einen Domain/Name-Match haben ODER der Firmenname sollte prominent im Ergebnis-Text vorkommen. if domain_name_match or name_in_result_text: logger.info(f"SERP Lookup: Website '{normalized_url}' aus Organic Results fuer '{company_name}' gefunden (Domain/Name Match oder Text-Match).") return normalized_url # Erfolgreich gefunden und zurueckgegeben else: # Loggen Sie, warum die URL uebersprungen wurde (nur auf Debug) # logger.debug(f" -> SerpAPI Website Lookup: URL '{normalized_url}' uebersprungen (Domain/Name Match oder Text-Match fehlgeschlagen). Domain='{domain_part_normalized}', Name='{normalized_company}'.") # Zu viel Laerm pass # Fahren Sie fort, um den naechsten organischen Treffer zu pruefen # Wenn die Schleife durchlaeuft und kein passender Treffer gefunden wurde (weder KG noch Organic) logger.info(f"SERP Lookup: Keine passende Website fuer '{company_name}' gefunden nach Pruefung KG und Top Organic Results.") return "k.A." # Signalisiert, dass keine passende URL gefunden wurde except Exception as e: # retry_on_failure wirft Exception im Fehlerfall erneut # Fangen Sie alle anderen unerwarteten Exceptions ab. # Der Fehler wird bereits vom retry_on_failure Decorator geloggt. logger.error(f"FEHLER bei der SerpAPI Website Suche fuer '{company_name}': {e}") # Geben Sie einen Fehlerwert zurueck oder "k.A." return f"k.A. (Fehler Suche: {str(e)[:100]}...)" # Signalisiert Fehler bei der Suche @retry_on_failure def search_linkedin_contacts(company_name, website, position_query, crm_kurzform, num_results=10): """ Sucht LinkedIn Kontakte fuer ein Unternehmen und eine Position ueber SerpAPI (Google). Gibt eine Liste von Kontakt-Dictionaries zurueck. Args: company_name (str): Der volle Unternehmensname. website (str): Die Website des Unternehmens (fuer Email-Generierung). position_query (str): Der Suchbegriff fuer die Position (z.B. "Serviceleiter"). crm_kurzform (str): Die Kurzform des Firmennamens (wichtig fuer Suchgenauigkeit). num_results (int, optional): Anzahl der Suchergebnisse pro Query. Defaults to 10. Returns: list: Eine Liste von Dictionaries, jedes repraesentiert einen gefundenen Kontakt. Leere Liste bei Fehler oder nicht gefunden. Wirft Exception bei API-Fehlern nach Retries. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN serp_key = Config.API_KEYS.get('serpapi') if not serp_key: logger.error("Fehler: SerpAPI Key nicht verfuegbar fuer LinkedIn Suche.") raise ConnectionRefusedError("SerpAPI Key nicht konfiguriert.") # Grundlegende Pruefung der Eingaben if not all([company_name, position_query, crm_kurzform]) or not all(isinstance(x, str) and x.strip() for x in [company_name, position_query, crm_kurzform]): logger.warning(f"search_linkedin_contacts: Fehlende oder ungueltige Eingabedaten (Name, Position, Kurzform sind Pflicht).") # Werfen Sie einen ValueError raise ValueError("Fehlende oder ungueltige Eingabedaten fuer LinkedIn Suche.") # Query anpassen fuer bessere Ergebnisse # Suche nach "[Position]" UND "[Firmenkurzform]" auf der LinkedIn /in/ Seite # Die Firmenkurzform ist oft im Titel oder der Beschreibung des Profils query = f'site:linkedin.com/in/ "{position_query.strip()}" "{crm_kurzform.strip()}"' # Optional: Fuegen Sie den vollen Firmennamen hinzu als zusaetzlichen Begriff, # kann aber die Ergebnisse stark einschraenken, wenn der volle Name lang ist oder variiert. # query = f'site:linkedin.com/in/ "{position_query.strip()}" "{crm_kurzform.strip()}" "{company_name.strip()}"' logger.info(f"Starte SerpAPI LinkedIn-Suche fuer '{crm_kurzform}' (Position: '{position_query}') mit Query: '{query[:100]}...'") # Logge gekuerzte Query params = { "engine": "google", "q": query, "api_key": serp_key, "hl": "de", # Host Language "gl": "de", # Geo Location "num": num_results # Anzahl der Ergebnisse pro SerpAPI Call (max 100, aber oft weniger geliefert) } api_url = "https://serpapi.com/search" found_contacts = [] # Liste zur Sammlung der gefundenen Kontakte try: # Der Requests Call wird vom retry_on_failure Decorator behandelt. # Timeout sollte aus Config kommen. response = requests.get(api_url, params=params, timeout=getattr(Config, 'REQUEST_TIMEOUT', 15)) response.raise_for_status() # Wirft HTTPError fuer 4xx/5xx Antworten. Wird vom Decorator gefangen. data = response.json() if "organic_results" in data: # Gehe durch die organischen Suchergebnisse for result in data["organic_results"]: title = result.get("title", "") # Titel des Suchergebnisses (oft Name - Position bei Firma) linkedin_url = result.get("link", "") # Die URL des LinkedIn Profils snippet = result.get("snippet", "") # Snippet kann Position oder Firma enthalten # Filtere: Muss eine LinkedIn Profil-URL sein und darf kein "sales" Profil sein if not linkedin_url or not isinstance(linkedin_url, str) or "linkedin.com/in/" not in linkedin_url.lower() or "/sales/" in linkedin_url.lower(): #logger.debug(f" -> LinkedIn Treffer uebersprungen (kein Profil-URL oder Sales): {linkedin_url[:100]}...") # Gekuerzt loggen continue # Zusaetzliche Relevanzpruefung: # Die Firmenkurzform ODER der gesuchte Positionsterm MUSS im Titel oder Snippet vorkommen. title_lower = title.lower() snippet_lower = snippet.lower() crm_kurzform_lower = crm_kurzform.lower() position_query_lower = position_query.lower() # Pruefe, ob Kurzform ODER Position im Titel oder Snippet vorkommen is_relevant_result = (crm_kurzform_lower in title_lower or crm_kurzform_lower in snippet_lower) or \ (position_query_lower in title_lower or position_query_lower in snippet_lower) # Wenn das Suchergebnis nicht relevant erscheint, ueberspringe es if not is_relevant_result: #logger.debug(f" -> LinkedIn Treffer uebersprungen (nicht relevant fuer '{crm_kurzform}'/{position_query}): '{title[:100]}...'") # Gekuerzt loggen continue # --- Extrahiere Name und Position aus dem Titel (Heuristik) --- name_part = "" pos_part = position_query # Fallback fuer die Position # Versuche gaengige Trennzeichen im Titel (z.B. Name - Position | Firma) separators = [" – ", " - ", " | ", " at ", " bei "] # Laengere Trenner zuerst title_cleaned = title.replace("...", "").strip() # Bereinige gaengige Zeichen found_sep = False for sep in separators: if sep in title_cleaned: parts = title_cleaned.split(sep, 1) name_part = parts[0].strip() # Teil vor dem ersten Trenner ist wahrscheinlich der Name # Der Teil nach dem ersten Trenner enthaelt wahrscheinlich Position und Firma potential_pos_company = parts[1].strip() # Versuche, LinkedIn-Suffixe zu entfernen (z.B. " | LinkedIn") potential_pos_company = re.sub(r'[\s|\-]*LinkedIn[\s|\-]*Profile.*$', '', potential_pos_company, flags=re.IGNORECASE).strip() potential_pos_company = re.sub(r'[\s|\-]*LinkedIn$', '', potential_pos_company, flags=re.IGNORECASE).strip() # Versuche, die Firmenkurzform aus dem Position/Firma-Teil zu entfernen (ganzes Wort) if crm_kurzform_lower in potential_pos_company.lower(): # Ersetze nur die erste gefundene Instanz der Kurzform pos_company_cleaned = re.sub(r'\b' + re.escape(crm_kurzform_lower) + r'\b', '', potential_pos_company, flags=re.IGNORECASE).strip() pos_company_cleaned = re.sub(r'\s+', ' ', pos_company_cleaned).strip() # Leerzeichen reduzieren nach Entfernung else: pos_company_cleaned = potential_pos_company # Behalte den Teil, wenn Kurzform nicht gefunden pos_part = pos_company_cleaned if pos_company_cleaned else position_query # Nimm den bereinigten Teil oder den Suchbegriff found_sep = True break # Hoere beim ersten gefundenen Trennzeichen auf # Wenn kein Trennzeichen gefunden wurde, versuche andere einfache Muster oder nimm den ganzen Titel als Name if not found_sep: # Muster: "[Name] [Position_Query]" oder "[Name] - LinkedIn" etc. # Versuche, den gesuchten Positionsterm aus dem Titel zu entfernen, um den Namen zu isolieren if position_query_lower in title_lower: name_before_pos = title_lower.split(position_query_lower, 1)[0].strip() name_part = title_cleaned[:len(name_before_pos)].strip() # Nimm Originaltext bis zum Beginn des Positionsterms pos_part = position_query # Position ist der Suchbegriff else: # Wenn der Positionsterm nicht gefunden wurde und kein Trenner da war, # nimm den gesamten Titel vor " - LinkedIn" als Name (weniger zuverlaessig) name_part = re.sub(r'[\s|\-]*LinkedIn[\s|\-]*Profile.*$', '', title_cleaned, flags=re.IGNORECASE).strip() name_part = re.sub(r'[\s|\-]*LinkedIn$', '', name_part, flags=re.IGNORECASE).strip() pos_part = position_query # Position bleibt der Suchbegriff # Teile den extrahierten Namen in Vor- und Nachname (einfache Annahme: erstes Wort = Vorname) firstname = "" lastname = "" name_parts = name_part.split() if len(name_parts) > 1: firstname = name_parts[0] lastname = " ".join(name_parts[1:]) # Der Rest ist Nachname elif len(name_parts) == 1: firstname = name_parts[0] # Nur Vorname gefunden? # Wenn der Name leer ist (z.B. nach Entfernung von Rechtsformen), ueberspringe diesen Kontakt if not firstname or not name_part.strip(): #logger.debug(f"LinkedIn Treffer uebersprungen: Name konnte nicht extrahiert werden aus Titel '{title[:100]}...'.") # Zu viel Laerm im Debug continue # Wenn wir bis hierher gekommen sind, scheint es ein gueltiger Kontakt zu sein. contact_data = { # Fuer die spaetere Verarbeitung (Gender, Email) "Firmenname": company_name, # Originalname fuer Kontext "CRM Kurzform": crm_kurzform, "Website": website, # Website der Firma (fuer Email-Generierung) "Vorname": firstname, "Nachname": lastname, "Position": pos_part, # Extrahierte oder Fallback Position "LinkedInURL": linkedin_url } found_contacts.append(contact_data) # logger.debug(f" -> Gefundener LinkedIn Kontakt: {firstname} {lastname} - {pos_part} (URL: {linkedin_url[:100]}...)") # Zu viel Laerm im Debug # Wenn die Schleife durchlaeuft und Kontakte gefunden wurden logger.info(f"LinkedIn Suche fuer '{position_query}' bei '{crm_kurzform}' ergab {len(found_contacts)} Kontakte.") return found_contacts # Gibt die Liste der gefundenen Kontakte zurueck (leer bei nicht gefunden oder Fehler) except Exception as e: # retry_on_failure wirft Exception im Fehlerfall erneut # Fangen Sie alle anderen unerwarteten Exceptions ab. # Der Fehler wird bereits vom retry_on_failure Decorator geloggt. logger.error(f"FEHLER bei der SerpAPI LinkedIn Suche (Query: '{position_query}', Firma: '{crm_kurzform}'): {e}") # Geben Sie eine leere Liste zurueck, da bei Fehler keine Kontakte gefunden wurden return [] # Signalisiert Fehler bei der Suche # ============================================================================== # Ende SerpAPI Search Helpers Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 10: Website Raw Scraping Function) # ============================================================================== # --- Globale Funktion zum Scrapen des Website Rohtextes --- # Basierend auf get_website_raw aus Teil 7. Global platziert. # Nutzt globale Helfer: simple_normalize_url, clean_text, re, requests, BeautifulSoup, Config, getattr, logger, retry_on_failure. @retry_on_failure # Wende den Decorator auf diese Funktion an def get_website_raw(url, max_length=20000, verify_cert=True): # verify_cert Default bleibt True """ Holt Textinhalt von einer Website, versucht Cookie-Banner zu umgehen. Implementiert SSL-Fallback und gibt spezifischere Fehlerwerte zurueck. """ logger = logging.getLogger(__name__) if not url or not isinstance(url, str) or url.strip().lower() in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"]: logger.debug(f"get_website_raw skipped: Ungueltige oder leere URL '{url}'.") return "k.A." if not url.lower().startswith(("http://", "https://")): url = "https://" + url headers = { "User-Agent": random.choice(USER_AGENTS) # Wählt zufälligen User-Agent aus der Liste } # --- ANPASSUNG START: SSL Fallback & Spezifische Fehler --- response = None error_reason = "Unbekannter Fehler" # Default for ssl_verify_attempt in [True, False]: # Erst mit True, dann mit False versuchen if not ssl_verify_attempt and not verify_cert: # Wenn verify_cert schon False war, nicht nochmal versuchen break try: current_verify_setting = verify_cert if ssl_verify_attempt else False if not ssl_verify_attempt: logger.warning(f"SSL-Fehler bei verify=True. Versuche erneut mit verify=False fuer {url[:100]}...") response = requests.get( url, timeout=getattr(Config, 'REQUEST_TIMEOUT', 30), # Timeout aus Config (erhöht auf 30s als Default) headers=headers, verify=current_verify_setting, # Aktuelle Einstellung verwenden allow_redirects=True, # Redirects folgen stream=False # Stream deaktivieren, da wir gesamten Inhalt brauchen ) response.raise_for_status() # Wirft HTTPError fuer 4xx/5xx error_reason = None # Kein Fehler, wenn bis hierhin erfolgreich break # Erfolgreicher Request, Schleife verlassen except requests.exceptions.SSLError as e_ssl: error_reason = f"SSL Fehler: {str(e_ssl)[:100]}..." logger.warning(f"SSL Fehler bei verify={current_verify_setting} fuer {url[:100]}...: {e_ssl}") if ssl_verify_attempt: # Wenn es der erste Versuch (verify=True) war verify_cert = False # Setze Flag für nächsten Versuch auf False continue # Mache nächsten Versuch mit verify=False else: # Wenn auch verify=False fehlschlägt logger.error(f"Endgueltiger SSL Fehler auch bei verify=False fuer {url[:100]}...") break # Beende Versuche nach SSL Fehler mit verify=False except requests.exceptions.Timeout as e_timeout: error_reason = f"Timeout ({getattr(Config, 'REQUEST_TIMEOUT', 30)}s)" logger.warning(f"{error_reason} fuer {url[:100]}...") break # Timeout ist endgültig für diesen Call (Decorator macht Retries) except requests.exceptions.ConnectionError as e_conn: error_reason = f"Connection Error: {str(e_conn)[:100]}..." logger.warning(f"{error_reason} fuer {url[:100]}...") break # Connection Error ist endgültig für diesen Call except requests.exceptions.HTTPError as e_http: status_code = e_http.response.status_code error_reason = f"HTTP Error {status_code} ({e_http.response.reason})" logger.warning(f"{error_reason} fuer {url[:100]}...") # Non-retryable HTTP errors werden bereits im Decorator behandelt break # HTTP Error ist endgültig für diesen Call except Exception as e_gen: error_reason = f"Allg. Fehler: {type(e_gen).__name__} - {str(e_gen)[:100]}..." logger.error(f"Allgemeiner Fehler beim Abrufen von {url[:100]}...: {e_gen}") logger.debug(traceback.format_exc()) break # Allgemeiner Fehler ist endgültig für diesen Call # --- ANPASSUNG ENDE --- # Wenn nach allen Versuchen keine gueltige Response erhalten wurde if response is None or error_reason: # Gebe spezifischen Fehlerwert zurueck return f"k.A. ({error_reason})" # --- Ab hier: Verarbeitung der erfolgreichen Response --- try: response.encoding = response.apparent_encoding soup = BeautifulSoup(response.text, getattr(Config, 'HTML_PARSER', 'html.parser')) content_selectors = [ 'main', 'article', '#content', '#main-content', '.main-content', '.content', 'div[role="main"]', 'div.page-content', 'div.container' ] content_area = None for selector in content_selectors: content_area = soup.select_one(selector) if content_area: break if not content_area: content_area = soup.find('body') if content_area: banner_selectors = [ '[id*="cookie"]', '[class*="cookie"]', '[id*="consent"]', '[class*="consent"]', '.cookie-banner', '.consent-banner', '.modal', '#modal', '.popup', '#popup', '[role="dialog"]', '[aria-modal="true"]' ] banners_removed_count = 0 for selector in banner_selectors: try: potential_banners = content_area.select(selector) for banner in potential_banners: banner_text = banner.get_text(" ", strip=True).lower() keywords = ["cookie", "zustimm", "ablehnen", "einverstanden", "datenschutz", "privacy", "akzeptier", "einstellung", "partner", "analyse", "marketing"] element_id_class = (banner.get('id', '') + ' ' + ' '.join(banner.get('class', []))).lower() if any(keyword in banner_text for keyword in keywords) or any(keyword in element_id_class for keyword in keywords): banner.decompose() banners_removed_count += 1 except Exception as e_select: logger.debug(f"Fehler beim Versuch Banner mit Selektor '{selector}' zu entfernen: {e_select}") if banners_removed_count > 0: logger.debug(f"{banners_removed_count} potenzielle Banner-Elemente fuer {url[:100]}... entfernt.") if content_area: for script_or_style in content_area(["script", "style"]): script_or_style.decompose() text = content_area.get_text(separator=' ', strip=True) text = re.sub(r'\s+', ' ', text).strip() banner_keywords_strict = ["cookie", "zustimmen", "ablehnen", "einverstanden", "datenschutz", "privacy", "akzeptier", "einstellung", "partner", "analyse", "marketing"] text_lower = text.lower() keyword_hits = sum(1 for keyword in banner_keywords_strict if keyword in text_lower) if len(text) < 500 and keyword_hits >= 3: logger.warning(f"WARNUNG: Extrahierter Text fuer {url[:100]}... scheint nur Cookie-Banner zu sein (Laenge {len(text)}, {keyword_hits} Keywords). Verwerfe Text.") return "k.A. (Nur Cookie-Banner erkannt)" if len(text.split()) < 10 or len(text) < 50: pass result = text[:max_length] logger.debug(f"Website {url[:100]}... erfolgreich gescrapt. Extrahierter Text (Laenge {len(result)}).") return result if result else "k.A. (Extraktion leer)" else: logger.warning(f"Kein oder spezifischer Inhaltsbereich gefunden in {url[:100]}...") return "k.A. (Kein Body gefunden)" except Exception as e_parse: logger.error(f"Fehler beim Parsen von HTML von {url[:100]}...: {type(e_parse).__name__} - {e_parse}") logger.debug(traceback.format_exc()) return f"k.A. (Fehler Parsing: {str(e_parse)[:50]}...)" # ============================================================================== # Ende Website Raw Scraping Funktion Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 11: Website Details Scraping Function) # ============================================================================== # --- Experimentelle Website Details Scraping Funktion --- # Basierend auf scrape_website_details aus Teil 10. Global platziert. # Nutzt globale Helfer: retry_on_failure, requests, BeautifulSoup, Config, getattr, clean_text, logger. # Diese Funktion ist als experimentelles Dienstprogramm gedacht. # Ihre Implementierung hängt stark von der Struktur der Zielwebsites ab. # Derzeit extrahiert sie nur grundlegende Meta-Informationen. def scrape_website_details(url): """ EXPERIMENTELL: Scrapt eine Website und extrahiert spezifische Details. Diese Funktion muss je nach Zielwebsite(s) implementiert/angepasst werden. Args: url (str): Die URL der Website. Returns: str: Extrahierte Details als String oder Fehler/k.A. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN # Pruefen Sie auf ungueltige oder leere URLs if not url or not isinstance(url, str) or url.strip().lower() in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"]: logger.debug(f"scrape_website_details skipped: Ungueltige oder leere URL '{url}'.") return "k.A." # Gebe "k.A." zurueck bei ungueltigen Eingaben logger.warning(f"Ausführe 'scrape_website_details' fuer URL {url[:100]}...") # Logge den Start auf Warning try: # Hilfsfunktion zum Abrufen des Soup-Objekts mit Retry. # Nutzt retry_on_failure, requests, BeautifulSoup, Config. @retry_on_failure def get_soup_for_details(target_url): # Führen Sie die GET-Anfrage aus. Der retry_on_failure Decorator behandelt RequestsExceptions. # Timeout sollte aus Config kommen. Standardmaessig pruefen wir SSL-Zertifikate. response = requests.get(target_url, timeout=getattr(Config, 'REQUEST_TIMEOUT', 15), verify=True) #verify=True Standard # Wirft HTTPError fuer 4xx/5xx Antworten. Wird vom Decorator gefangen und (je nach Status) behandelt. response.raise_for_status() # Versuchen Sie, das Encoding zu erraten response.encoding = response.apparent_encoding # Parsen Sie den HTML-Inhalt return BeautifulSoup(response.text, getattr(Config, 'HTML_PARSER', 'html.parser')) # Rufen Sie die Hilfsfunktion auf, um das Soup-Objekt zu erhalten soup = get_soup_for_details(url) # Wenn das Soup-Objekt erfolgreich erhalten wurde if soup: # --- Extrahiere spezifische Details --- # Versuchen Sie, wichtige Meta-Informationen zu extrahieren. title = soup.find('title') # Titel-Tag meta_desc = soup.find('meta', attrs={'name': 'description'}) # Meta Description h1 = soup.find('h1') # Erstes H1-Tag details_list = [] # Liste zum Sammeln der extrahierten Details # Extrahieren und bereinigen Sie den Text (clean_text nutzt globale Funktion) if title: details_list.append(f"Title: {clean_text(title.get_text())}") # Pruefen Sie, ob das 'content' Attribut existiert und nicht leer ist if meta_desc and meta_desc.get('content'): details_list.append(f"Description: {clean_text(meta_desc['content'])}") if h1: details_list.append(f"H1: {clean_text(h1.get_text())}") # Wenn Details gefunden wurden if details_list: # Verbinden Sie die Details mit einem Trennzeichen result_string = " | ".join(details_list) logger.debug(f"Details fuer {url[:100]}... extrahiert: {result_string[:100]}...") # Logge Ergebnis (gekuerzt) return result_string # Gebe die extrahierten Details zurueck else: # Wenn keine Standard-Details gefunden wurden logger.debug(f"Keine Standard-Details (Title, Description, H1) gefunden fuer {url[:100]}...") return "k.A. (Keine Standard-Details gefunden)" # Gebe spezifischen Wert zurueck else: # Wenn get_soup_for_details None zurueckgegeben hat (nach Retries fehlgeschlagen) # Der Fehler wurde bereits in get_soup_for_details oder retry geloggt. logger.error(f"Scraping fuer Details fehlgeschlagen nach Retries fuer {url[:100]}...") # Logge finalen Fehler return "k.A. (Scraping fehlgeschlagen)" # Gebe spezifischen Fehlerwert zurueck # Fangen Sie alle anderen verbleibenden Exceptions ab (sollten selten sein) # retry_on_failure auf get_soup_for_details behandelt die meisten Netzwerk-/HTTP-Fehler. except Exception as e: # Logge den Fehler auf Error-Level logger.error(f"FEHLER in scrape_website_details fuer {url[:100]}...: {type(e).__name__} - {e}") # Der Fehler wird bereits vom retry_on_failure geloggt, wenn er von get_soup_for_details kam. # Hier wird nur ein Fehler gefangen, der aus der Logik dieser Funktion selbst kommt (z.B. Fehler beim String-Handling). # Geben Sie einen Fehlerwert zurueck, der im Sheet gespeichert werden kann. return f"k.A. (Fehler: {str(e)[:100]}...)" # Signalisiert Fehler (gekuerzt) # ============================================================================== # Ende Website Details Scraping Funktion Block # ============================================================================== # ============================================================================== # GLOBALE HELPER FUNCTIONS (PART 12: Alignment Demo Function) # ============================================================================== # --- Alignment Demo (Header schreiben) --- # Basierend auf alignment_demo aus Teil 10. Bleibt global, da es direkt das gspread sheet Objekt verwendet. # Nutzt globale Helfer: COLUMN_MAP, Config.VERSION, logger, traceback. def alignment_demo(sheet): """ Schreibt die vordefinierte Header-Struktur (Zeilen 1-5) ins angegebene Google Sheet. Dies dient als "Alignment" der Spalten und zur Dokumentation im Sheet selbst. Args: sheet (gspread.Worksheet): Das Worksheet-Objekt zum Schreiben der Header. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN # Stellen Sie sicher, dass COLUMN_MAP die hoechstbenuetigte Spalte AY (Index 50) enthaelt. # Diese Funktion nimmt an, dass COLUMN_MAP komplett und korrekt ist. # Die Listen unten muessen exakt die gleiche Laenge haben wie COLUMN_MAP. # Header-Texte fuer die ersten 5 Zeilen # Die Reihenfolge der Spalten muss EXACT mit der Reihenfolge der Schluessel in COLUMN_MAP uebereinstimmen. # Zaehlen Sie die Eintraege: ReEval Flag (Index 0) bis SerpAPI Wiki Search Timestamp (Index 50) = 51 Spalten (Index 0-50). # Ueberpruefen Sie, dass jede Liste unten 51 Eintraege hat. new_headers = [ # Zeile 1: Spaltenname (Muss mit COLUMN_MAP Schluesseln uebereinstimmen, falls dynamisch genutzt) ["ReEval Flag", "CRM Name", "CRM Kurzform", "CRM Website", "CRM Ort", "CRM Beschreibung", "CRM Branche", "CRM Beschreibung Branche extern", "CRM Anzahl Techniker", "CRM Umsatz", "CRM Anzahl Mitarbeiter", "CRM Vorschlag Wiki URL", "Wiki URL", "Wiki Absatz", "Wiki Branche", "Wiki Umsatz", "Wiki Mitarbeiter", "Wiki Kategorien", "Chat Wiki Konsistenzpruefung", "Chat Begruendung Wiki Inkonsistenz", "Chat Vorschlag Wiki Artikel", "Begruendung bei Abweichung", "Chat Vorschlag Branche", "Chat Konsistenz Branche", "Chat Begruendung Abweichung Branche", "Chat Pruefung FSM Relevanz", "Chat Begruendung fuer FSM Relevanz", "Chat Schaetzung Anzahl Mitarbeiter", "Chat Konsistenzpruefung Mitarbeiterzahl", "Chat Begruendung Abweichung Mitarbeiterzahl", "Chat Einschaetzung Anzahl Servicetechniker", "Chat Begruendung Abweichung Anzahl Servicetechniker", "Chat Schaetzung Umsatz", "Chat Begruendung Abweichung Umsatz", "Linked Serviceleiter gefunden", "Linked It-Leiter gefunden", "Linked Management gefunden", "Linked Disponent gefunden", "Contact Search Timestamp", "Wikipedia Timestamp", "Timestamp letzte Pruefung", "Version", "Tokens", "Website Rohtext", "Website Zusammenfassung", "Website Scrape Timestamp", "Geschaetzter Techniker Bucket", "Finaler Umsatz (Wiki>CRM)", "Finaler Mitarbeiter (Wiki>CRM)", "Wiki Verif. Timestamp", "SerpAPI Wiki Search Timestamp"], # Zeile 2: Quelle der Daten ["CRM", "CRM", "CRM", "CRM", "CRM", "CRM", "CRM", "CRM", "CRM", "CRM", "CRM", "CRM", "Wikipediascraper", "Wikipediascraper", "Wikipediascraper", "Wikipediascraper", "Wikipediascraper", "Wikipediascraper", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "Chat GPT API", "LinkedIn (ueber SerpApi)", "LinkedIn (ueber SerpApi)", "LinkedIn (ueber SerpApi)", "LinkedIn (ueber SerpApi)", "System", "System", "System", "System", "System", "Web Scraper", "Chat GPT API", "System", "ML Modell / Skript", "Skript (Wiki/CRM)", "Skript (Wiki/CRM)", "System", "System"], # Zeile 3: Feldkategorie ["Prozess", "Firmenname", "Firmenname", "Website", "Ort", "Beschreibung (Text)", "Branche", "Branche", "Anzahl Servicetechniker", "Umsatz", "Anzahl Mitarbeiter", "Wikipedia Artikel URL", "Wikipedia Artikel", "Beschreibung (Text)", "Branche", "Umsatz", "Anzahl Mitarbeiter", "Kategorien (Text)", "Verifizierung", "Begruendung bei Abweichung", "Wikipedia Artikel", "Wikipedia Artikel", "Branche", "Branche", "Branche", "FSM Relevanz", "FSM Relevanz", "Anzahl Mitarbeiter", "Anzahl Mitarbeiter", "Anzahl Mitarbeiter", "Anzahl Servicetechniker", "Anzahl Servicetechniker", "Umsatz", "Umsatz", "Kontakte zur Firma", "Kontakte zur Firma", "Kontakte zur Firma", "Kontakte zur Firma", "Timestamp", "Timestamp", "Timestamp", "Version des Skripts die verwendet wurde", "ChatGPT Tokens", "Website-Content", "Website Zusammenfassung", "Timestamp", "Anzahl Servicetechniker Bucket", "Umsatz", "Anzahl Mitarbeiter", "Timestamp", "Timestamp"], # Zeile 4: Kurze Beschreibung ["Systemspalte...", "Enthaehlt den Firmennamen...", "Manuell gepflegte Kurzform...", "Website des Unternehmens.", "Ort des Unternehmens.", "Kurze Beschreibung...", "Aktuelle Branchenzuweisung...", "Externe Branchenbeschreibung...", "Recherchierte Anzahl...", "Umsatz in Mio. € (CRM).", "Anzahl Mitarbeiter (CRM).", "Vorgeschlagene Wikipedia URL...", "Wikipedia URL...", "Erster Absatz...", "Wikipedia-Branche...", "Wikipedia-Umsatz...", "Wikipedia-Mitarbeiterzahl...", "Liste der Wikipedia-Kategorien.", "\"OK\" oder \"X\" – Ergebnis...", "Begruendung bei Inkonsistenz...", "Chat-Vorschlag Wiki Artikel...", "Nicht genutzt...", "Branchenvorschlag ueber ChatGPT...", "Vergleich: Uebereinstimmung CRM vs. ...", "Begruendung bei abweichender...", "FSM-Relevanz: Bewertung...", "Begruendung zur FSM-Bewertung.", "Schaetzung Anzahl Mitarbeiter...", "Vergleich CRM vs. Wiki vs. ...", "Begruendung bei Mitarbeiterabweichung...", "Schaetzung Servicetechniker...", "Begruendung bei Abweichung...", "Schaetzung Umsatz ueber ChatGPT.", "Begruendung bei Umsatzabweichung.", "Anzahl Kontakte (Serviceleiter)...", "Anzahl Kontakte (IT-Leiter)...", "Anzahl Kontakte (Management)...", "Anzahl Kontakte (Disponent)...", "Timestamp der Kontaktsuche.", "Timestamp der Wikipedia-Suche/Extraktion.", "Timestamp der ChatGPT-Bewertung / Letzte Pruefung der Zeile.", "Ausgabe der Skriptversion...", "Token-Zaehlung...", "Roh extrahierter Text...", "Zusammenfassung des Webseiteninhalts...", "Timestamp des letzten Website-Scrapings (AR, AS).", "Ergebnis der Schaetzung durch das trainierte ML-Modell.", "Konsolidierter Umsatz (Mio €) nach Prioritaet Wiki > CRM.", "Konsolidierte Mitarbeiterzahl nach Prioritaet Wiki > CRM.", "Timestamp der letzten Wiki-Verifikation (Spalten S-U).", "Timestamp der letzten SerpAPI-Suche nach fehlender Wiki-URL (Modus find_wiki_serp)."] # Zeile 5: Aufgabe / Funktion # Stellen Sie sicher, dass die Spaltenreihenfolge hier mit den anderen Zeilen uebereinstimmt! # Dies ist die laengste Zeile und kann schwierig zu pflegen sein. # Zaehlen Sie die Eintraege sorgfaeltig (51 Eintraege). ,["Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Wird durch Wikipedia Scraper bereitgestellt", "Wird zunaechst nicht verwendet...", "Wird u.a. zur finalen Ermittlung...", "Wird u.a. mit CRM-Umsatz...", "Wird u.a. mit CRM-Anzahl...", "Wenn Website-Daten fehlen...", "\"Es soll durch ChatGPT geprueft werden...", "\"Liegt eine Inkonsistenz...", "\"Sollte durch die Wikipedia-Suche...", "XXX derzeit nicht verwendet...", "\"ChatGPT soll anhand der vorliegenden...", "Die in Spalte CRM festgelegte...", "Weicht die von ChatGPT ermittelte...", "ChatGPT soll anhand der vorliegenden Daten pruefen...", "Die in 'Chat Begruendung fuer FSM Relevanz'...", "Nur wenn kein Wikipedia-Eintrag...", "Entspricht die durch ChatGPT ermittelte...", "Weicht die von ChatGPT geschaetzte...", "ChatGPT soll auf Basis oeffentlich...", "Weicht die von ChatGPT geschaetzte...", "Nur wenn kein Wikipedia-Eintrag...", "ChatGPT soll signifikante Umsatzabweichungen...", "Ueber SerpAPI wird zusammen...", "Ueber SerpAPI wird zusammen...", "Ueber SerpAPI wird zusammen...", "Ueber SerpAPI wird zusammen...", "Wenn die Kontaktsuche gestartet wird...", "Wenn die Wikipedia-Suche gestartet wird...", "Wenn die ChatGPT-Bewertung gestartet wird...", "Wird durch das System befuellt", "Wird durch tiktoken berechnet", "Wird durch Web Scraper...", "Wird durch ChatGPT API...", "Timestamp wird gesetzt, wenn Website Rohtext/Zusammenfassung geschrieben werden.", "Ergebnis der Schaetzung durch das trainierte ML-Modell.", "Vom Skript berechneter Wert, priorisiert Wiki > CRM...", "Vom Skript berechneter Wert, priorisiert Wiki > CRM...", "Timestamp wird gesetzt, wenn Wiki-Verifikation (S-U) durchgefuehrt wurde.", "Timestamp wird gesetzt, nachdem versucht wurde, eine fehlende Wiki-URL ueber SerpAPI zu finden."] ] # Stellen Sie sicher, dass die Anzahl der Spalten in allen Header-Zeilen gleich ist num_cols = len(new_headers[0]) if not all(len(row) == num_cols for row in new_headers): # Logge einen kritischen Fehler, aber versuche trotzdem zu schreiben logger.critical(f"FEHLER in alignment_demo: Die Anzahl der Spalten in den Header-Zeilen ist nicht konsistent! Erwartet {num_cols} pro Zeile.") # Finden Sie die maximale Anzahl Spalten, um den Bereich zu bestimmen, falls inkonsistent num_cols = max(len(row) for row in new_headers) # Hilfsfunktion zum Konvertieren des 1-basierten Spaltenindex in Buchstaben (A, B, AA, ...) def colnum_string(n): string = "" while n > 0: n, remainder = divmod(n - 1, 26) string = chr(65 + remainder) + string return string # Berechnen Sie den Bereich fuer das Update (z.B. A1:AY5) end_col_letter = colnum_string(num_cols) header_range = f"A1:{end_col_letter}{len(new_headers)}" logger.info(f"Schreibe Alignment-Demo Header in Bereich {header_range}...") try: # Fuehren Sie das Update durch # sheet.update direkt ist einfacher fuer einen einzelnen grossen Bereich. # value_input_option='USER_ENTERED' stellt sicher, dass Werte wie sie sind eingetragen werden. sheet.update(values=new_headers, range_name=header_range, value_input_option='USER_ENTERED') logger.info(f"Alignment-Demo Header erfolgreich geschrieben in Bereich {header_range}.") except Exception as e: # Fange Fehler beim Schreiben ab und logge sie logger.error(f"FEHLER beim Schreiben der Alignment-Demo Header in Bereich {header_range}: {e}") # Logge den Traceback fuer detaillierte Fehlerinformationen logger.debug(traceback.format_exc()) # ============================================================================== # Ende Alignment Demo Funktion Block # ============================================================================== # ============================================================================== # 4. HANDLER CLASSES (Google Sheet & Wikipedia) # ============================================================================== # --- GOOGLE SHEET HANDLER CLASS --- # Kapselt die Interaktionen mit dem Google Sheet. # Nutzt globale Helfer: retry_on_failure, Config, CREDENTIALS_FILE, logger, # gspread, ServiceAccountCredentials, os, datetime, time, traceback. class GoogleSheetHandler: """ Kapselt die Interaktionen mit dem Google Sheet, inklusive Verbindung, Daten laden und Batch-Updates. Nutzt den retry_on_failure Decorator. """ def __init__(self): """ Initialisiert den Handler, stellt die Verbindung her und laedt die Daten. """ # Holen Sie eine Logger-Instanz fuer diese Klasse self.logger = logging.getLogger(__name__ + ".GoogleSheetHandler") # <<< HINZUGEFÜGT # Initialisieren Sie die Attribute self.sheet = None # Daten werden hier als Instanzvariable gespeichert, um nicht bei jedem Zugriff neu laden zu muessen self.sheet_values = [] # header_rows sind fix, aber wir koennen sie hier zur Klarheit definieren self._header_rows = 5 # Annahme: Die ersten 5 Zeilen sind Header self.logger.info("Initialisiere GoogleSheetHandler...") # <<< GEÄNDERT try: # Verbindung wird bei der Initialisierung aufgebaut self._connect() # Daten werden ebenfalls bei der Initialisierung geladen, nur wenn die Verbindung erfolgreich war if self.sheet: self.load_data() # Erste Datenladung nach erfolgreicher Verbindung else: # Wenn die Verbindung fehlschlug (sheet ist None), aber keine Exception geworfen wurde (sollte nicht passieren) self.logger.critical( # <<< GEÄNDERT "GoogleSheetHandler Init FEHLER: Verbindung konnte nicht hergestellt werden (sheet ist None)." ) raise ConnectionError( "Google Sheet Handler Init failed: Verbindung konnte nicht hergestellt werden." ) except Exception as e: # Fehler bei der Initialisierung (entweder von _connect oder load_data nach Retries) self.logger.critical( # <<< GEÄNDERT f"FATAL: Fehler bei Initialisierung von GoogleSheetHandler: {type(e).__name__} - {e}" ) self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT raise ConnectionError(f"Google Sheet Handler Init failed: {e}") @retry_on_failure def _connect(self): """Stellt Verbindung zum Google Sheet her.""" self.sheet = None self.logger.info("Versuche Verbindung mit Google Sheets herstellen...") # <<< GEÄNDERT try: if not os.path.exists(CREDENTIALS_FILE): raise FileNotFoundError(f"Credential-Datei nicht gefunden: {CREDENTIALS_FILE}") scope = ["https://www.googleapis.com/auth/spreadsheets"] creds = ServiceAccountCredentials.from_json_keyfile_name(CREDENTIALS_FILE, scope) gc = gspread.authorize(creds) sh = gc.open_by_url(Config.SHEET_URL) self.sheet = sh.sheet1 self.logger.info("Verbindung zu Google Sheets erfolgreich.") # <<< GEÄNDERT except (gspread.exceptions.APIError, requests.exceptions.RequestException, FileNotFoundError) as e: raise e except Exception as e: self.logger.error(f"FEHLER bei der Google Sheets Verbindung: {type(e).__name__} - {e}") # <<< GEÄNDERT self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT raise e @retry_on_failure def load_data(self): """ Laedt alle Daten aus dem Sheet und aktualisiert self.sheet_values. """ if not self.sheet: self.logger.error("Fehler: Keine Sheet-Verbindung zum Laden der Daten.") # <<< GEÄNDERT self.sheet_values = [] return False self.logger.info("Lade Daten aus Google Sheet...") # <<< GEÄNDERT try: self.sheet_values = self.sheet.get_all_values() if not self.sheet_values: self.logger.warning( # <<< GEÄNDERT "Google Sheet scheint leer zu sein oder get_all_values() lieferte keine Daten." ) self.headers = [] return True num_rows = len(self.sheet_values) num_cols = len(self.sheet_values[0]) if num_rows > 0 else 0 self.logger.info(f"Daten neu geladen: {num_rows} Zeilen, {num_cols} Spalten.") # <<< GEÄNDERT try: max_col_idx_in_map = max(COLUMN_MAP.values()) if num_cols <= max_col_idx_in_map: self.logger.warning( # <<< GEÄNDERT f"Geladenes Sheet hat {num_cols} Spalten, erwartet werden aber mindestens " f"{max_col_idx_in_map + 1} basierend auf COLUMN_MAP." ) except ValueError: self.logger.warning( # <<< GEÄNDERT "COLUMN_MAP scheint leer zu sein oder enthaelt keine Werte. Kann Spaltenanzahl nicht pruefen." ) except Exception as e: self.logger.error(f"Fehler bei der Pruefung der Spaltenanzahl gegen COLUMN_MAP: {e}") # <<< GEÄNDERT if num_rows > 0: self.headers = self.sheet_values[0] else: self.headers = [] return True except (gspread.exceptions.APIError, requests.exceptions.RequestException) as e: raise e except Exception as e: self.logger.error( # <<< GEÄNDERT f"Allgemeiner Fehler beim Laden der Google Sheet Daten: {type(e).__name__} - {e}" ) self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT raise e def get_data(self): """ Gibt die aktuell im Handler gespeicherten Datenzeilen zurueck (ohne die ersten N Header-Zeilen). """ if not self.sheet_values or len(self.sheet_values) <= self._header_rows: self.logger.debug( # <<< GEÄNDERT f"get_data: Keine Datenzeilen verfuegbar " f"(geladen: {len(self.sheet_values) if self.sheet_values else 0} Zeilen, " f"{self._header_rows} Header)." ) return [] return self.sheet_values[self._header_rows:].copy() def get_all_data_with_headers(self): """Gibt alle aktuell im Handler gespeicherten Daten inklusive Header zurueck.""" if not self.sheet_values: self.logger.debug("get_all_data_with_headers: Keine Daten im Handler gespeichert.") # <<< GEÄNDERT return [] return self.sheet_values.copy() def _get_col_letter(self, col_idx_1_based): """ Konvertiert einen 1-basierten Spaltenindex in den entsprechenden Google Sheets Spaltenbuchstaben (A, B, ..., Z, AA, ...). """ if not isinstance(col_idx_1_based, int) or col_idx_1_based < 1: self.logger.error( # <<< GEÄNDERT f"Ungueltiger Spaltenindex ({col_idx_1_based}) fuer _get_col_letter erhalten." ) return None string = "" n = col_idx_1_based while n > 0: n, remainder = divmod(n - 1, 26) string = chr(65 + remainder) + string return string def get_start_row_index(self, check_column_key, min_sheet_row=7): """ Findet den 0-basierten Index in der DATENliste (ohne Header), ab einer Mindestzeilennummer im Sheet, in der der Wert in der Spalte (definiert durch check_column_key) EXAKT LEER ("") ist. Laedt die Daten vor der Pruefung neu. Args: check_column_key (str): Der Schluessel in COLUMN_MAP fuer die zu pruefende Spalte. min_sheet_row (int): Die 1-basierte Zeilennummer im Sheet, ab der gesucht werden soll. Standardmaessig ab Zeile 7 (erste Zeile nach 5 Headern und einer leeren). Returns: int: Der 0-basierten Index in der Datenliste (ohne Header) der ersten Zeile mit einem EXAKT leeren Wert in der Zielspalte innerhalb des Suchbereichs. Gibt -1 zurueck bei schwerwiegenden Fehlern (z.B. Schluessel fehlt in COLUMN_MAP). Gibt die Laenge der Datenliste zurueck, wenn keine leere Zelle im Suchbereich gefunden wurde. """ if not self.load_data(): self.logger.error("Fehler beim Laden der Daten fuer get_start_row_index.") # <<< GEÄNDERT return -1 data_rows = self.get_data() if not data_rows: self.logger.info("Keine Datenzeilen im Sheet gefunden. Startindex fuer leere Zelle ist 0.") # <<< GEÄNDERT return 0 check_column_index = COLUMN_MAP.get(check_column_key) if check_column_index is None: self.logger.critical( # <<< GEÄNDERT f"FEHLER: Schluessel '{check_column_key}' nicht in COLUMN_MAP gefunden fuer get_start_row_index!" ) return -1 actual_col_letter = self._get_col_letter(check_column_index + 1) if actual_col_letter is None: self.logger.error( # <<< GEÄNDERT f"FEHLER: Konnte Spaltenbuchstaben fuer Index {check_column_index + 1} nicht ermitteln." ) actual_col_letter = f"Index_{check_column_index + 1}" search_start_index_in_data = max(0, (min_sheet_row - 1) - self._header_rows) self.logger.info( # <<< GEÄNDERT f"get_start_row_index: Suche ab Daten-Index {search_start_index_in_data} " f"(Sheet-Zeile {search_start_index_in_data + self._header_rows + 1}) " f"nach EXAKT LEEREM Wert (=='') in Spalte '{check_column_key}' ({actual_col_letter})..." ) if search_start_index_in_data >= len(data_rows): self.logger.warning( # <<< GEÄNDERT f"Start-Suchindex in Daten ({search_start_index_in_data}) liegt hinter der letzten Datenzeile ({len(data_rows)}). Keine leere Zelle gefunden im Suchbereich." ) return len(data_rows) for i in range(search_start_index_in_data, len(data_rows)): row = data_rows[i] current_sheet_row = i + self._header_rows + 1 cell_value = "" is_exactly_empty = True if len(row) > check_column_index: cell_value = row[check_column_index] if cell_value != "": is_exactly_empty = False else: is_exactly_empty = True log_debug = (i < search_start_index_in_data + 5) or (i % 1000 == 0) or is_exactly_empty if log_debug: self.logger.debug( # <<< GEÄNDERT f" -> Pruefe Daten-Index {i} (Sheet {current_sheet_row}): " f"Wert in {actual_col_letter}='{str(cell_value).strip()}' " f"(Roh='{cell_value}' Typ: {type(cell_value)}). Leer? {is_exactly_empty}" ) if is_exactly_empty: self.logger.info( # <<< GEÄNDERT f"Erste Zeile ab Sheet-Zeile {min_sheet_row} mit EXAKT LEEREM Wert in Spalte " f"{actual_col_letter} gefunden: Zeile {current_sheet_row} (Daten-Index {i})" ) return i last_data_index = len(data_rows) self.logger.info( # <<< GEÄNDERT f"Alle Zeilen ab Daten-Index {search_start_index_in_data} im Suchbereich haben einen " f"nicht-leeren Wert in Spalte {actual_col_letter}. Naechster Daten-Index waere {last_data_index}." ) return last_data_index @retry_on_failure def batch_update_cells(self, update_data): """ Fuehrt ein Batch-Update im Google Sheet durch. Beinhaltet robustere Fehlerbehandlung. Args: update_data (list): Eine Liste von Dictionaries, jedes mit 'range' (str) und 'values' (list of lists). z.B. [{'range': 'A1', 'values': [['Wert']]}, ...] Returns: bool: True bei Erfolg (nach allen Retries), False bei endgueltigem Fehler. """ if not self.sheet: self.logger.error("FEHLER: Keine Sheet-Verbindung fuer Batch-Update.") # <<< GEÄNDERT return False if not update_data: return True try: total_cells_to_update = sum( len(row) for item in update_data for row in item.get('values', []) ) self.logger.debug( # <<< GEÄNDERT f" -> Versuche sheet.batch_update mit {len(update_data)} Anfragen " f"({total_cells_to_update} Zellen)..." ) self.sheet.batch_update(update_data, value_input_option='USER_ENTERED') return True except Exception: self.logger.error( # <<< GEÄNDERT f"Endgueltiger Fehler beim Batch-Update nach Retries. Kann {len(update_data)} Operationen nicht durchfuehren." ) return False # --- WIKIPEDIA SCRAPER CLASS --- # Handhabt das Suchen und Extrahieren von Daten aus Wikipedia. # Nutzt globale Helfer: wikipedia, requests, BeautifulSoup, Config, getattr, logger, # retry_on_failure, simple_normalize_url, normalize_company_name, # extract_numeric_value, clean_text, unquote, time, traceback. class WikipediaScraper: """ Handhabt das Suchen von Wikipedia-Artikeln und das Extrahieren relevanter Unternehmensdaten. Beinhaltet Validierungslogik fuer Artikel. Nutzt die wikipedia-Bibliothek und Requests fuer direktes HTML-Scraping. """ def __init__(self, user_agent=None): """ Initialisiert den Scraper mit einer Requests-Session und konfigurierter Wikipedia-Bibliothek. Args: user_agent (str, optional): Der User-Agent fuer Requests. Defaults to Config.USER_AGENT. """ # Erhalten Sie eine Logger-Instanz fuer diese Klasse self.logger = logging.getLogger(__name__ + ".WikipediaScraper") # <<< HINZUGEFÜGT self.logger.debug("WikipediaScraper initialisiert.") # <<< GEÄNDERT # User-Agent fuer Requests (nutzt Config, Fallback wenn nicht gesetzt) self.user_agent = user_agent or getattr( Config, 'USER_AGENT', 'Mozilla/5.0 (compatible; UnternehmenSkript/1.0; +http://www.example.com/bot)' ) self.session = requests.Session() self.session.headers.update({'User-Agent': self.user_agent}) self.logger.debug(f"Requests Session mit User-Agent '{self.user_agent}' initialisiert.") # <<< GEÄNDERT # Keywords fuer die Infobox-Extraktion self.keywords_map = { 'branche': ['branche', 'wirtschaftszweig', 'industry', 'taetigkeit', 'sektor', 'produkte', 'leistungen'], 'umsatz': ['umsatz', 'erloes', 'revenue', 'jahresumsatz', 'konzernumsatz', 'ergebnis'], 'mitarbeiter': ['mitarbeiter', 'mitarbeiterzahl', 'beschaeftigte', 'employees', 'number of employees', 'personal', 'belegschaft'] } # Konfiguriere die wikipedia-Bibliothek try: wiki_lang = getattr(Config, 'LANG', 'de') wikipedia.set_lang(wiki_lang) # wikipedia.set_rate_limiting(True, min_wait=0.1) # <<< ALTE ZEILE (auskommentieren oder löschen) wikipedia.set_rate_limiting(False) # <<< NEUE ZEILE: Ratenbegrenzung deaktivieren self.logger.info( # <<< GEÄNDERT f"Wikipedia library language set to '{wiki_lang}'. Rate limiting enabled (min_wait=0.1)." ) except Exception as e: self.logger.warning(f"Fehler beim Setzen der Wikipedia-Sprache oder Rate Limiting: {e}") # <<< GEÄNDERT def _get_full_domain(self, website): """Extrahiert die normalisierte Domain (ohne www, ohne Pfad) aus einer URL.""" return simple_normalize_url(website) def _generate_search_terms(self, company_name, website): """ Generiert eine Liste von Suchbegriffen fuer die Wikipedia-Suche, inklusive normalisiertem Namen, Kurzformen und Domain. """ if not company_name: return [] terms = set() original_name_cleaned = str(company_name).strip() if original_name_cleaned: terms.add(original_name_cleaned) normalized_name = normalize_company_name(company_name) if normalized_name: terms.add(normalized_name) name_parts = normalized_name.split() if len(name_parts) > 0: terms.add(name_parts[0]) if len(name_parts) > 1: terms.add(" ".join(name_parts[:2])) full_domain = self._get_full_domain(website) if full_domain != "k.A.": terms.add(full_domain) final_terms = [term for term in list(terms) if term][:getattr(Config, 'WIKIPEDIA_SEARCH_RESULTS', 5)] self.logger.debug(f"Generierte Suchbegriffe fuer '{company_name[:100]}...': {final_terms}") # <<< GEÄNDERT return final_terms @retry_on_failure def _get_page_soup(self, url): """ Holt HTML von einer URL (requests) und gibt ein BeautifulSoup-Objekt zurueck. """ if not url or not isinstance(url, str) or not url.lower().startswith(("http://", "https://")): self.logger.warning(f"_get_page_soup: Ungueltige URL '{url[:100]}...'.") # <<< GEÄNDERT return None try: self.logger.debug(f"_get_page_soup: Rufe URL ab: {url[:100]}...") # <<< GEÄNDERT response = self.session.get(url, timeout=getattr(Config, 'REQUEST_TIMEOUT', 15)) response.raise_for_status() response.encoding = response.apparent_encoding soup = BeautifulSoup(response.text, getattr(Config, 'HTML_PARSER', 'html.parser')) self.logger.debug(f"_get_page_soup: Parsen von {url[:100]}... erfolgreich.") # <<< GEÄNDERT return soup except Exception as e: self.logger.error(f"_get_page_soup: Fehler beim Abrufen oder Parsen von HTML von {url[:100]}...: {type(e).__name__} - {e}") # <<< GEÄNDERT raise e def _validate_article(self, page, company_name, website): """ Validiert, ob ein Wikipedia-Artikel (represented by the Page object) zum Unternehmen passt. """ if not page or not company_name: return False self.logger.debug( # <<< GEÄNDERT f"Validiere Artikel '{page.title[:100]}...' (URL: {page.url[:100]}...) " f"fuer Firma '{company_name[:100]}' (Website: {website[:100]})..." ) normalized_company = normalize_company_name(company_name) normalized_title = normalize_company_name(page.title) if not normalized_company or not normalized_title: self.logger.warning("Validierung nicht moeglich, da Normalisierung eines Namens fehlschlug.") # <<< GEÄNDERT return False standard_threshold = getattr(Config, 'SIMILARITY_THRESHOLD', 0.65) similarity = fuzzy_similarity(normalized_title, normalized_company) self.logger.debug(f" -> Gesamt-Aehnlichkeit (normalized): {similarity:.2f}") # <<< GEÄNDERT company_tokens = normalized_company.split() title_tokens = normalized_title.split() first_word_match = False first_two_words_match = False if company_tokens and title_tokens and company_tokens[0] == title_tokens[0]: first_word_match = True if len(company_tokens) > 1 and len(title_tokens) > 1 and company_tokens[1] == title_tokens[1]: first_two_words_match = True domain_found = False full_domain = self._get_full_domain(website) if full_domain != "k.A.": self.logger.debug(f" -> Suche nach Domain '{full_domain}' in externen Links des Artikels...") # <<< GEÄNDERT try: article_html = page.html() if article_html: soup = BeautifulSoup(article_html, getattr(Config, 'HTML_PARSER', 'html.parser')) external_links = soup.select('a[href^="http"]') relevant_links = [] for link in external_links: href = link.get('href', '') if href and isinstance(href, str) and full_domain in simple_normalize_url(href): if not any(ex in href.lower() for ex in ['wikipedia.org', 'wikimedia.org', 'wikidata.org', 'archive.org', 'webcitation.org']): relevant_links.append(link) if relevant_links: domain_found = True except Exception as e_link_check: self.logger.error( # <<< GEÄNDERT f"Fehler waehrend der Domain-Link-Pruefung fuer '{page.title[:100]}...': " f"{type(e_link_check).__name__} - {e_link_check}" ) # Dynamische Schwellenwert-Entscheidung is_valid = False reason = "Keine Validierungsregel traf zu" if similarity >= standard_threshold: is_valid = True reason = f"Gesamt-Aehnlichkeit ({similarity:.2f}) >= Standard-Schwelle ({standard_threshold:.2f})" elif domain_found and first_two_words_match: is_valid = True reason = f"Domain gefunden UND erste 2 normalisierte Worte stimmen ueberein (Sim={similarity:.2f})" elif domain_found and first_word_match and similarity >= 0.40: is_valid = True reason = f"Domain gefunden UND erstes normalisiertes Wort stimmt ueberein UND Aehnlichkeit >= 0.40 (Sim={similarity:.2f})" elif first_two_words_match and similarity >= 0.45: is_valid = True reason = f"Erste zwei normalisierte Worte stimmen ueberein UND Aehnlichkeit >= 0.45 (Sim={similarity:.2f})" elif domain_found and similarity >= 0.50: is_valid = True reason = f"Domain gefunden UND Aehnlichkeit >= 0.50 (Sim={similarity:.2f})" elif first_word_match and similarity >= 0.55: is_valid = True reason = f"Erstes normalisiertes Wort stimmt ueberein UND Aehnlichkeit >= 0.55 (Sim={similarity:.2f})" log_level = logging.INFO if is_valid else logging.DEBUG self.logger.log( # <<< GEÄNDERT log_level, f" => Artikel '{page.title[:100]}...' " f"{'VALIDIERT' if is_valid else 'NICHT validiert'} " f"(Grund: {reason}. Details: Sim={similarity:.2f}, Domain? {domain_found}, " f"1stWord? {first_word_match}, 2ndWord? {first_two_words_match})" ) return is_valid def _extract_first_paragraph_from_soup(self, soup): """ Extrahiert den ersten aussagekraeftigen Absatz aus dem Soup-Objekt eines Wikipedia-Artikels. Entfernt Referenzen und unerwuenschte Elemente. """ if not soup: return "k.A." paragraph_text = "k.A." try: content_div = soup.find('div', class_='mw-parser-output') search_area = content_div if content_div else soup paragraphs = search_area.find_all('p', recursive=False) if not paragraphs: paragraphs = search_area.find_all('p') for p in paragraphs: for sup in p.find_all('sup', class_='reference'): sup.decompose() for span in p.find_all('span', style=lambda v: v and 'display:none' in v): span.decompose() for span in p.find_all('span', id='coordinates'): span.decompose() text = clean_text(p.get_text(separator=' ', strip=True)) if text != "k.A." and len(text) > 50: if not re.match( r'^(Datei:|Abbildung:|Siehe auch:|Einzelnachweise|Siehe auch|Literatur)', text, re.IGNORECASE ): paragraph_text = text[:1500] break if paragraph_text == "k.A.": self.logger.debug("Kein passender erster Absatz gefunden nach Pruefung der

-Tags.") # <<< GEÄNDERT except Exception as e: self.logger.error(f"Fehler beim Extrahieren des ersten Absatzes: {type(e).__name__} - {e}") # <<< GEÄNDERT self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT return paragraph_text def extract_categories(self, soup): """ Extrahiert Wikipedia-Kategorien aus dem Soup-Objekt. """ if not soup: return "k.A." cats_filtered = [] try: cat_div = soup.find('div', id="mw-normal-catlinks") if cat_div: ul = cat_div.find('ul') if ul: cats = [clean_text(li.get_text()) for li in ul.find_all('li')] cats_filtered = [ c for c in cats if c and isinstance(c, str) and c.strip() and "kategorien:" not in c.lower() ] self.logger.debug(f"Kategorien gefunden: {cats_filtered}") # <<< GEÄNDERT else: self.logger.debug("Kein 'ul' Tag in 'mw-normal-catlinks' gefunden.") # <<< GEÄNDERT else: self.logger.debug("Kein 'div#mw-normal-catlinks' gefunden.") # <<< GEÄNDERT except Exception as e: self.logger.error(f"Fehler beim Extrahieren der Kategorien: {type(e).__name__} - {e}") # <<< GEÄNDERT self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT return ", ".join(cats_filtered) if cats_filtered else "k.A." def _extract_infobox_value(self, soup, target): """ Extrahiert gezielt Branche, Umsatz oder Mitarbeiter aus der Infobox eines Wikipedia-Artikels Soup-Objekts. """ self.logger.debug(f"--- Entering _extract_infobox_value for target '{target}' ---") # <<< GEÄNDERT if not soup or target not in self.keywords_map: self.logger.debug( # <<< GEÄNDERT f"_extract_infobox_value: Ungueltiger Input (Soup: {soup is not None}, Target: {target})" ) return "k.A." keywords = self.keywords_map[target] self.logger.debug(f"_extract_infobox_value: Suche nach '{target}' mit Keywords: {keywords}") # <<< GEÄNDERT infobox = soup.select_one('table[class*="infobox"]') if not infobox: self.logger.debug(" -> KEINE Infobox via select_one 'table[class*=\"infobox\"]' gefunden.") # <<< GEÄNDERT return "k.A." self.logger.debug(" -> Infobox gefunden.") # <<< GEÄNDERT value_found = "k.A." try: rows = infobox.find_all('tr') for idx, row in enumerate(rows): cells = row.find_all(['th', 'td'], recursive=False) header_text = None value_cell = None if len(cells) >= 2 and cells[0].name == 'th' and cells[1].name == 'td': header_text = cells[0].get_text(strip=True) value_cell = cells[1] elif len(cells) >= 2 and cells[0].name == 'td' and cells[1].name == 'td': style = cells[0].get('style', '').lower() first_cell_is_header_like = False if 'font-weight' in style and ('bold' in style or '700' in style): first_cell_is_header_like = True elif cells[0].find(['b', 'strong'], recursive=False): first_cell_is_header_like = True if first_cell_is_header_like: header_text = cells[0].get_text(strip=True) value_cell = cells[1] if header_text is not None and value_cell is not None: header_text_lower = header_text.lower() matched_keyword = None for kw in keywords: if kw in header_text_lower: matched_keyword = kw break if matched_keyword: for sup in value_cell.find_all(['sup', 'span']): if ( (sup.name == 'sup' and sup.has_attr('class') and 'reference' in sup['class']) or (sup.name == 'span' and sup.get('style') and 'display:none' in sup['style']) ): sup.decompose() raw_value_text = value_cell.get_text(separator=' ', strip=True) if target == 'branche': clean_val = clean_text(raw_value_text) clean_val = re.sub(r'\s*\([^)]*\)', '', clean_val).strip() clean_val = clean_val.split('\n')[0].strip() value_found = clean_val if clean_val else "k.A." self.logger.info(f" --> Branche extrahiert: '{value_found}'") # <<< GEÄNDERT elif target == 'umsatz': numeric_val_str = extract_numeric_value(raw_value_text, is_umsatz=True) value_found = numeric_val_str self.logger.info( # <<< GEÄNDERT f" --> Umsatz extrahiert (aus '{raw_value_text[:50]}...'): '{value_found}'" ) elif target == 'mitarbeiter': numeric_val_str = extract_numeric_value(raw_value_text, is_umsatz=False) value_found = numeric_val_str self.logger.info( # <<< GEÄNDERT f" --> Mitarbeiter extrahiert (aus '{raw_value_text[:50]}...'): '{value_found}'" ) break if value_found != "k.A.": self.logger.debug(f" -> Finaler Wert fuer '{target}' gefunden: '{value_found}'") # <<< GEÄNDERT else: self.logger.debug( # <<< GEÄNDERT f" -> Kein passender Eintrag fuer '{target}' in der gesamten Infobox gefunden." ) except Exception as e: self.logger.exception( # <<< GEÄNDERT f"Fehler beim Durchlaufen der Infobox-Zeilen fuer '{target}': {e}" ) return "k.A. (Fehler Extraktion)" return value_found @retry_on_failure def search_company_article(self, company_name, website=None): """ Sucht einen passenden Wikipedia-Artikel fuer das Unternehmen und gibt das wikipedia.WikipediaPage Objekt zurueck, wenn ein relevanter und validierter Artikel gefunden wird. Behandelt explizit Begriffsklaerungsseiten. """ if not company_name or str(company_name).strip() == "": self.logger.warning("Wikipedia search skipped: No company name provided.") # <<< GEÄNDERT raise ValueError("Kein Firmenname fuer Wikipedia Suche angegeben.") search_terms = self._generate_search_terms(company_name, website) if not search_terms: self.logger.warning(f"Keine Suchbegriffe fuer '{company_name[:100]}...' generiert.") # <<< GEÄNDERT return None self.logger.info( # <<< GEÄNDERT f"Starte Wikipedia-Suche fuer '{company_name[:100]}...' " f"(Website: {website[:100]}...) mit Begriffen: {search_terms}" ) processed_titles = set() def check_page(title_to_check): if title_to_check in processed_titles: return None processed_titles.add(title_to_check) self.logger.debug(f" -> Pruefe potenziellen Artikel: '{title_to_check[:100]}...'") # <<< GEÄNDERT try: page = wikipedia.page(title_to_check, auto_suggest=False, preload=True) if self._validate_article(page, company_name, website): self.logger.info(f" -> Titel '{page.title[:100]}...' erfolgreich validiert!") # <<< GEÄNDERT return page else: self.logger.debug(f" -> Titel '{title_to_check[:100]}...' nicht validiert.") # <<< GEÄNDERT return None except wikipedia.exceptions.PageError: self.logger.debug(f" -> Seite '{title_to_check[:100]}...' nicht gefunden (PageError).") # <<< GEÄNDERT return None except wikipedia.exceptions.DisambiguationError as e_inner: self.logger.info( # <<< GEÄNDERT f" -> Begriffsklaerung '{title_to_check[:100]}...' gefunden. " f"Pruefe Optionen: {str(e_inner.options)[:100]}..." ) for option in e_inner.options: option_lower = option.lower() if any( ex in option_lower for ex in ["(person)", "(ort)", "(geographie)", "liste ", "liste)"] ): continue validated_option_page = check_page(option) if validated_option_page: self.logger.info( # <<< GEÄNDERT f" -> Option '{option[:100]}...' aus Begriffsklaerung erfolgreich validiert!" ) return validated_option_page self.logger.debug( # <<< GEÄNDERT f" -> Keine passende/validierte Unternehmens-Option in Begriffsklaerung '{title_to_check[:100]}...' gefunden." ) return None except (requests.exceptions.RequestException, wikipedia.exceptions.WikipediaException) as e_req: self.logger.warning( # <<< GEÄNDERT f" -> Netzwerk/API-Fehler beim Laden/Validieren von '{title_to_check[:100]}...': " f"{type(e_req).__name__} - {e_req}. Ueberspringe diesen Titel." ) return None except Exception as e_page: self.logger.error( # <<< GEÄNDERT f" -> Unerwarteter Fehler bei Verarbeitung von Titel '{title_to_check[:100]}...': " f"{type(e_page).__name__} - {e_page}" ) self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT return None self.logger.debug(f" -> Versuche direkten Match fuer '{company_name[:100]}...'...") # <<< GEÄNDERT validated_page = check_page(company_name) if validated_page: return validated_page self.logger.debug( # <<< GEÄNDERT f" -> Kein direkter Treffer/validiert. Starte Suche mit generierten Begriffen: {search_terms}" ) for term in search_terms: try: self.logger.debug(f" -> Suche mit Begriff: '{term[:100]}...'...") # <<< GEÄNDERT search_results = wikipedia.search(term, results=getattr(Config, 'WIKIPEDIA_SEARCH_RESULTS', 5)) self.logger.debug(f" -> Suchergebnisse fuer '{term[:100]}...': {search_results}") # <<< GEÄNDERT if not search_results: self.logger.debug(f" -> Keine Suchergebnisse fuer '{term[:100]}...'.") # <<< GEÄNDERT continue for title in search_results: validated_page = check_page(title) if validated_page: return validated_page except Exception as e_search: self.logger.error( # <<< GEÄNDERT f"Fehler waehrend Wikipedia-Suche fuer '{term[:100]}...': " f"{type(e_search).__name__} - {e_search}" ) raise e_search self.logger.warning( # <<< GEÄNDERT f"Kein passender & validierter Wikipedia-Artikel fuer '{company_name[:100]}...' gefunden nach Pruefung aller Begriffe und Optionen." ) return None @retry_on_failure def extract_company_data(self, page_url): """ Extrahiert Firmendaten (erster Absatz, Infobox-Werte, Kategorien) von einer gegebenen Wikipedia-Artikel-URL. """ default_result = { 'url': page_url if page_url else 'k.A.', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.' } if not page_url or not isinstance(page_url, str) or "wikipedia.org/wiki/" not in page_url.lower(): self.logger.warning( # <<< GEÄNDERT f"extract_company_data: Ungueltige oder keine Wikipedia-URL '{page_url[:100]}...'." ) return default_result self.logger.info(f"Extrahiere Daten fuer Wiki-URL: {page_url[:100]}...") # <<< GEÄNDERT soup = self._get_page_soup(page_url) if not soup: self.logger.error(f" -> Fehler: Konnte Seite {page_url[:100]}... nicht laden oder parsen.") # <<< GEÄNDERT return default_result self.logger.debug(" -> Extrahiere erster Absatz...") # <<< GEÄNDERT first_paragraph = self._extract_first_paragraph_from_soup(soup) self.logger.debug(" -> Extrahiere Kategorien...") # <<< GEÄNDERT categories_val = self.extract_categories(soup) self.logger.debug(" -> Extrahiere Branche aus Infobox...") # <<< GEÄNDERT branche_val = self._extract_infobox_value(soup, 'branche') self.logger.debug(" -> Extrahiere Umsatz aus Infobox...") # <<< GEÄNDERT umsatz_val = self._extract_infobox_value(soup, 'umsatz') self.logger.debug(" -> Extrahiere Mitarbeiter aus Infobox...") # <<< GEÄNDERT mitarbeiter_val = self._extract_infobox_value(soup, 'mitarbeiter') result = { 'url': page_url, 'first_paragraph': first_paragraph, 'branche': branche_val, 'umsatz': umsatz_val, 'mitarbeiter': mitarbeiter_val, 'categories': categories_val } self.logger.info( # <<< GEÄNDERT f" -> Extrahierte Daten: P='{first_paragraph[:50]}...', " f"B='{branche_val}', U='{umsatz_val}', M='{mitarbeiter_val}', " f"C='{categories_val[:50]}...'" ) return result # ============================================================================== # Ende Handler Klassen Block # ============================================================================== # ============================================================================== # 5. DATA PROCESSOR CLASS (PART 1: Start & Init & Basis Status-Checker) # ============================================================================== class DataProcessor: """ Zentrale Klasse zur Orchestrierung und Verarbeitung von Unternehmensdaten aus dem Google Sheet. Enthält die Logik fuer die Verarbeitung einzelner Zeilen sowie die Steuerung verschiedener Batch-Modi und Dienstprogramme. Nutzt Instanzen von Handler-Klassen (Sheet, Wiki etc.) als Worker. """ def __init__(self, sheet_handler, wiki_scraper): """ Initialisiert den DataProcessor mit Instanzen von Handler-Klassen. Args: sheet_handler (GoogleSheetHandler): Eine initialisierte Instanz. wiki_scraper (WikipediaScraper): Eine initialisierte Instanz. # Fuegen Sie hier weitere benoetigte Handler/Worker hinzu, falls noetig # (z.B. OpenAIHandler, SerpAPIHandler), falls diese als eigene Klassen ausgelagert werden. """ # Erhalten Sie eine Logger-Instanz fuer diese Klasse self.logger = logging.getLogger(__name__ + ".DataProcessor") # <<< HINZUGEFÜGT self.logger.info("Initialisiere DataProcessor...") # <<< GEÄNDERT # Ueberpruefen Sie, ob gueltige Handler-Instanzen uebergeben wurden if not isinstance(sheet_handler, GoogleSheetHandler): # Logge einen kritischen Fehler und werfe eine Exception self.logger.critical("DataProcessor Init FEHLER: Kein gueltiger GoogleSheetHandler uebergeben!") # <<< GEÄNDERT raise ValueError("DataProcessor benoetigt eine gueltige GoogleSheetHandler Instanz.") if not isinstance(wiki_scraper, WikipediaScraper): # Logge einen kritischen Fehler und werfe eine Exception self.logger.critical("DataProcessor Init FEHLER: Kein gueltiger WikipediaScraper uebergeben!") # <<< GEÄNDERT raise ValueError("DataProcessor benoetigt eine gueltige WikipediaScraper Instanz.") # Speichern Sie die Handler-Instanzen als Attribute der Instanz self.sheet_handler = sheet_handler self.wiki_scraper = wiki_scraper # self.openai_handler = openai_handler # Beispiel, falls ausgelagert # self.serpapi_handler = serpapi_handler # Beispiel, falls ausgelagert # Attribute fuer ML-Modellierung (werden beim ersten Bedarf geladen in _load_ml_model) # Initialisieren Sie diese mit None self.model = None self.imputer = None self._expected_features = None # Liste der erwarteten Feature-Spalten fuer Vorhersage self.logger.info("DataProcessor initialisiert mit Handlern.") # <<< GEÄNDERT # Definieren Sie hier (oder als Klassenattribut) die Zuordnung von Schritt-Typen # zu den relevanten Spaltenschluesseln fuer die Statuspruefung. # Diese werden von _should_run_based_on_status (Block 18) verwendet. self._step_status_map = { 'wiki_verify': "Wiki Verif. Timestamp", 'website_scrape': "Website Scrape Timestamp", 'summarize_website': "Website Scrape Timestamp", 'branch_eval': "Timestamp letzte Pruefung", 'find_wiki_serp': "SerpAPI Wiki Search Timestamp", 'contact_search': "Contact Search Timestamp", 'wiki_updates_from_chatgpt': "Chat Wiki Konsistenzpruefung", # 'wiki_extract': "Wikipedia Timestamp", # Speziell in _process_single_row behandelt # 'ml_predict': "Geschaetzter Techniker Bucket" # Speziell in eigener Methode behandelt } # --- Interne Hilfsmethode zur Statuspruefung einer Zelle --- # Dient zum sicheren Abrufen von Werten aus einer Zeile unter Verwendung von COLUMN_MAP. # Nutzt globale Helfer: COLUMN_MAP, logger. def _get_cell_value_safe(self, row, column_key): """ Hilfsfunktion fuer sicheren Zellenzugriff anhand des COLUMN_MAP Schluessels. Gibt leeren String zurueck, wenn Index nicht existiert oder Zeile zu kurz ist. Args: row (list): Die Listendaten fuer die Zeile. column_key (str): Der Schluessel in COLUMN_MAP fuer die zu pruefende Spalte. Returns: str: Der Wert der Zelle als String, oder '' wenn nicht verfuegbar. """ # Ermitteln Sie den Index der Spalte aus COLUMN_MAP (Block 1) idx = COLUMN_MAP.get(column_key) # Pruefen Sie, ob der Schluessel in COLUMN_MAP gefunden wurde if idx is None: # Logge einen Fehler, aber gebe einen leeren String zurueck self.logger.error(f"_get_cell_value_safe: Schluessel '{column_key}' nicht in COLUMN_MAP gefunden.") # <<< GEÄNDERT return '' # Gebe leeren String zurueck, wenn Schluessel fehlt # Pruefen Sie, ob die Zeile lang genug ist, um auf diesen Index zuzugreifen if len(row) > idx: # Rueckgabe des Wertes, sicherstellen, dass es nicht None ist return row[idx] if row[idx] is not None else '' else: # Logge auf Debug-Level, wenn der Index existiert, aber die Zeile zu kurz ist. self.logger.debug( # <<< GEÄNDERT f"_get_cell_value_safe: Index {idx} fuer '{column_key}' ist gueltig, " f"aber Zeile ist zu kurz (Laenge {len(row)}). Gebe leeren String zurueck." ) return '' # Gebe leeren String zurueck, wenn die Zeile zu kurz ist # Der Code sollte niemals hierher gelangen. # return '' # Fallback Rueckgabe # ============================================================================== # Ende DataProcessor Klasse Start & Init & Basis Status-Checker Block # ============================================================================== # --- Interne Hilfsmethoden zur Pruefung, ob ein Schritt ausgefuehrt werden soll --- # Diese Methoden kapseln die Logik zur Entscheidung, ob ein Schritt basierend # auf dem Zeilenstatus (Timestamps, Flags) und dem force_reeval Flag ausgefuehrt werden soll. # Sie werden von _process_single_row (Block 19) aufgerufen. # Nutzt interne Methode: _get_cell_value_safe. # Nutzt globale Helfer: COLUMN_MAP, logger. # HINWEIS: Die Logik hier bezieht sich auf die "Gruppen" von Schritten, # die in _process_single_row zusammengefasst sind ('web', 'wiki', 'chat'). # Spezifischere Batch-Modi (Block 26-32) haben oft ihre eigene Zeilenauswahl-Logik, # die nicht unbedingt diese Methoden verwendet. def _needs_website_processing(self, row_data, force_reeval): """ Prueft, ob Website-Scraping/Summarization fuer diese Zeile noetig ist. Nötig, wenn force_reeval True ist ODER wenn der Website Scrape Timestamp (AT) leer ist. Args: row_data (list): Die Listendaten fuer die Zeile. force_reeval (bool): True, wenn eine Re-Evaluation erzwungen wird (ignoriert Timestamps). Returns: bool: True, wenn Website-Verarbeitung noetig ist. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist if force_reeval: # self.logger.debug(" -> Website-Schritt noetig (force_reeval=True)") # Zu viel Laerm im Debug return True # Wenn Re-Eval erzwungen wird, ist der Schritt noetig # Pruefe, ob der Website Scrape Timestamp (AT) leer ist (nutzt interne Helfer) at_value = self._get_cell_value_safe(row_data, "Website Scrape Timestamp").strip() # Wenn der Timestamp leer ist, ist der Schritt noetig if not at_value: # self.logger.debug(" -> Website-Schritt noetig (AT leer)") # Zu viel Laerm im Debug return True # Wenn der Timestamp gesetzt ist und kein Re-Eval erzwungen wird, ist der Schritt nicht noetig # self.logger.debug(f" -> Website-Schritt nicht noetig (AT='{at_value}')") # Zu viel Laerm im Debug return False def _needs_wiki_processing(self, row_data, force_reeval): """ Prueft, ob Wikipedia-Suche/Extraktion fuer diese Zeile noetig ist. Nötig, wenn force_reeval True ist ODER wenn der Wikipedia Timestamp (AN) leer ist ODER wenn Status S 'X (URL Copied)' ist (signalisiert neue URL). Args: row_data (list): Die Listendaten fuer die Zeile. force_reeval (bool): True, wenn eine Re-Evaluation erzwungen wird. Returns: bool: True, wenn Wiki-Suche/Extraktion noetig ist. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist if force_reeval: # self.logger.debug(" -> Wiki-Extraktion/-Suche noetig (force_reeval=True)") # Zu viel Laerm im Debug return True # Wenn Re-Eval erzwungen wird, ist der Schritt noetig # Pruefe, ob der Wikipedia Timestamp (AN) leer ist (nutzt interne Helfer) an_value = self._get_cell_value_safe(row_data, "Wikipedia Timestamp").strip() # Wenn der Timestamp leer ist, ist der Schritt noetig if not an_value: # self.logger.debug(" -> Wiki-Extraktion/-Suche noetig (AN leer)") # Zu viel Laerm im Debug return True # Pruefe, ob Status S 'X (URL Copied)' ist (signalisiert, dass eine neue URL durch den Update-Modus kopiert wurde und neu extrahiert werden muss) s_value = self._get_cell_value_safe(row_data, "Chat Wiki Konsistenzpruefung").strip().upper() # Wenn Status S "X (URL COPIED)" ist, ist der Schritt noetig if s_value == "X (URL COPIED)": # self.logger.debug(" -> Wiki-Extraktion/-Suche noetig (S='X (URL Copied)')") # Zu viel Laerm im Debug return True # Wenn AN gesetzt ist, S nicht "X (URL COPIED)" ist und kein Re-Eval erzwungen wird, ist der Schritt nicht noetig # self.logger.debug(f" -> Wiki-Extraktion/-Suche nicht noetig (AN='{an_value}', S='{s_value}')") # Zu viel Laerm im Debug return False def _needs_wiki_verification(self, row_data, force_reeval): """ Prueft, ob Wikipedia-Verifizierung (S-U) fuer diese Zeile noetig ist. Nötig, wenn force_reeval True ist ODER wenn der Wiki Verif. Timestamp (AX) leer ist UND eine Wiki URL (M) vorhanden ist. Args: row_data (list): Die Listendaten fuer die Zeile. force_reeval (bool): True, wenn eine Re-Evaluation erzwungen wird. Returns: bool: True, wenn Wiki-Verifizierung noetig ist. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist if force_reeval: # self.logger.debug(" -> Wiki-Verifizierung noetig (force_reeval=True)") # Zu viel Laerm im Debug return True # Wenn Re-Eval erzwungen wird, ist der Schritt noetig # Pruefe, ob der Wiki Verif. Timestamp (AX) leer ist (nutzt interne Helfer) ax_value = self._get_cell_value_safe(row_data, "Wiki Verif. Timestamp").strip() # Wenn der Timestamp leer ist if not ax_value: # Pruefe ZUSAETZLICH, ob eine Wiki URL (M) vorhanden ist und gueltig aussieht, da Verifizierung sonst sinnlos ist. # Nutzt interne Helfer m_value = self._get_cell_value_safe(row_data, "Wiki URL").strip() # Wenn M vorhanden ist und nicht "k.A." oder ein Fehlereintrag if m_value and m_value.lower() not in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"]: # Fuege "http:" hinzu # self.logger.debug(" -> Wiki-Verifizierung noetig (AX leer UND M gueltig)") # Zu viel Laerm im Debug return True # Wenn AX leer und M gueltig, ist der Schritt noetig # else: self.logger.debug(" -> Wiki-Verifizierung nicht noetig (AX leer, aber M leer/k.A.)") # Zu viel Laerm im Debug # Wenn AX gesetzt ist und kein Re-Eval erzwungen wird, ist der Schritt nicht noetig # self.logger.debug(f" -> Wiki-Verifizierung nicht noetig (AX='{ax_value}')") # Zu viel Laerm im Debug return False def _needs_chat_evaluations(self, row_data, force_reeval, wiki_data_just_updated): """ Prueft, ob ChatGPT-Evaluationen (Branch, FSM etc.) fuer diese Zeile noetig sind. Nötig, wenn force_reeval True ist ODER wenn der Timestamp letzte Pruefung (AO) leer ist ODER wenn Wiki-Daten in diesem Lauf gerade aktualisiert wurden (Flag von _process_single_row). Args: row_data (list): Die Listendaten fuer die Zeile. force_reeval (bool): True, wenn eine Re-Evaluation erzwungen wird. wiki_data_just_updated (bool): True, wenn die Wiki-Daten (M-R, AN) gerade in diesem Lauf aktualisiert wurden. Returns: bool: True, wenn Chat-Evaluationen noetig sind. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist if force_reeval: # self.logger.debug(" -> Chat-Evaluationen noetig (force_reeval=True)") # Zu viel Laerm im Debug return True # Wenn Re-Eval erzwungen wird, ist der Schritt noetig # Pruefe, ob der Timestamp letzte Pruefung (AO) leer ist (nutzt interne Helfer) ao_value = self._get_cell_value_safe(row_data, "Timestamp letzte Pruefung").strip() # Wenn der Timestamp leer ist, ist der Schritt noetig if not ao_value: # self.logger.debug(" -> Chat-Evaluationen noetig (AO leer)") # Zu viel Laerm im Debug return True # Pruefe, ob Wiki-Daten in diesem Lauf gerade aktualisiert wurden (Flag aus _process_single_row) # Wenn Wiki-Daten aktualisiert wurden, sollen die Chat-Evaluationen erneut laufen, auch wenn AO gesetzt ist. if wiki_data_just_updated: # self.logger.debug(" -> Chat-Evaluationen noetig (Wiki-Daten gerade aktualisiert)") # Zu viel Laerm im Debug return True # Wenn AO gesetzt ist, Wiki-Daten nicht aktualisiert wurden und kein Re-Eval erzwungen wird, ist der Schritt nicht noetig # self.logger.debug(f" -> Chat-Evaluationen nicht noetig (AO='{ao_value}' und Wiki-Daten nicht aktualisiert)") # Zu viel Laerm im Debug return False def _needs_ml_prediction(self, row_data, force_reeval, chat_eval_just_ran): """ Prueft, ob die ML-Schaetzung (AU) fuer diese Zeile noetig ist. Nötig, wenn force_reeval True ist ODER wenn der AU Bucket leer ist UND (entweder AO gerade gesetzt wurde ODER konsolidierter Umsatz/Mitarbeiter vorhanden ist). Args: row_data (list): Die Listendaten fuer die Zeile. force_reeval (bool): True, wenn eine Re-Evaluation erzwungen wird. chat_eval_just_ran (bool): True, wenn die ChatGPT-Evaluationen (AO) gerade in diesem Lauf liefen. Returns: bool: True, wenn ML-Schaetzung noetig ist. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist if force_reeval: # self.logger.debug(" -> ML-Schaetzung noetig (force_reeval=True)") # Zu viel Laerm im Debug return True # Wenn Re-Eval erzwungen wird, ist der Schritt noetig # Pruefe, ob der Geschaetzte Techniker Bucket (AU) leer ist (nutzt interne Helfer) au_value = self._get_cell_value_safe(row_data, "Geschaetzter Techniker Bucket").strip() # Wenn der Bucket leer ist oder einen Fehlerwert enthaelt if not au_value or au_value.lower() in ["k.a.", "fehler schaetzung"]: # self.logger.debug(f" -> ML-Schaetzung noetig (AU leer/Fehler)") # Zu viel Laerm im Debug # Pruefe ZUSAETZLICH, ob die Daten fuer die Schaetzung vorhanden/aktualisiert sind. # Die Schaetzung ist sinnvoll, wenn A) Chat-Evaluationen gerade liefen (setzen AO und Konsolidierung AV/AW) # ODER B) Konsolidierter Umsatz/Mitarbeiter (AV/AW) explizit vorhanden ist (auch wenn AO alt ist). # Pruefe, ob Chat-Evaluationen gerade liefen if chat_eval_just_ran: # self.logger.debug(" -> ML-Schaetzung noetig (Chat-Evaluationen gerade liefen)") # Zu viel Laerm im Debug return True # Wenn Chat-Evaluationen gerade liefen, ist der Schritt noetig # Pruefe, ob Konsolidierter Umsatz/Mitarbeiter (AV/AW) vorhanden ist (nutzt interne Helfer) # Diese Werte werden normalerweise von _process_single_row gesetzt, wenn Chat lief, oder manuell gepflegt. av_value = self._get_cell_value_safe(row_data, "Finaler Umsatz (Wiki>CRM)").strip() aw_value = self._get_cell_value_safe(row_data, "Finaler Mitarbeiter (Wiki>CRM)").strip() # Wenn AV und AW vorhanden sind (nicht "k.A." oder Fehlerwerte) if av_value != "k.A." and not av_value.startswith("FEHLER") and aw_value != "k.A." and not aw_value.startswith("FEHLER"): # self.logger.debug(" -> ML-Schaetzung noetig (AV/AW vorhanden)") # Zu viel Laerm im Debug return True # Wenn AV/AW vorhanden, ist der Schritt noetig # else: self.logger.debug(" -> ML-Schaetzung nicht noetig (AV/AW fehlen)") # Zu viel Laerm im Debug # Wenn AU gesetzt ist oder einen gueltigen Wert enthaelt, und kein Re-Eval erzwungen wird, ist der Schritt nicht noetig # self.logger.debug(f" -> ML-Schaetzung nicht noetig (AU='{au_value}')") # Zu viel Laerm im Debug return False # ============================================================================== # Ende DataProcessor Klasse Status-Checker Helpers Block # ============================================================================== # --- Methode: Verarbeitung einer einzelnen Zeile --- # Diese Methode ist das Herzstueck der Zeilen-basierten Verarbeitung. # Sie fuehrt die einzelnen Anreicherungs- und Evaluationsschritte durch, # basierend auf ausgewaehlten Schritten, Timestamps/Status, und dem force_reeval Flag. # Nutzt interne Helfer: _get_cell_value_safe, _needs_... Methoden. # Nutzt globale Helfer: COLUMN_MAP, logger, datetime, time, traceback. # @retry_on_failure # Nicht sinnvoll auf dieser Orchestrierungsebene. Retries sind in den einzelnen Schritten. def _process_single_row(self, row_num_in_sheet, row_data, steps_to_run, force_reeval=False, clear_x_flag=False): """ Verarbeitet die Daten fuer eine einzelne Zeile im Sheet. Fuehrt ausgewaehlte Anreicherungs- und Analyseprozesse durch, basierend auf Timestamps/Status oder dem force_reeval Flag. Sammelt und schreibt Ergebnisse zurueck. Args: row_num_in_sheet (int): Die 1-basierte Zeilennummer im Google Sheet. row_data (list): Die rohen Listendaten fuer diese Zeile (Liste von Strings). steps_to_run (set/list): Menge oder Liste von Schluesseln der Schritt-Gruppen, die in diesem Lauf beruecksichtigt werden sollen (z.B. {'wiki', 'web', 'chat', 'ml_predict'}). force_reeval (bool, optional): Wenn True, werden Timestamps/Status ignoriert und die Ausfuehrung der in steps_to_run enthaltenen Schritte erzwungen. Defaults to False. clear_x_flag (bool, optional): Wenn True UND force_reeval ist True, wird das 'x'-Flag in Spalte A geloescht, wenn die Zeile verarbeitet wurde. Defaults to False. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist self.logger.info(f"--- Starte Verarbeitung fuer Zeile {row_num_in_sheet} {'(Re-Eval)' if force_reeval else ''} (Schritte: {', '.join(steps_to_run) if steps_to_run else 'Keine ausgewählt'}) ---") # <<< GEÄNDERT # Liste zur Sammlung von Sheet-Updates fuer diese Zeile # Updates sind Dictionaries: {'range': 'A1', 'values': [['Wert']]} updates = [] # Aktueller Zeitstempel fuer die Timestamp-Spalten now_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") # Flag, ob IRGENDEINE Verarbeitung in dieser Zeile stattgefunden hat any_processing_done = False # Flags, die den Zustand der Zeile waehrend DIESES Laufs verfolgen wiki_data_updated_in_this_run = False # Wurden Wiki-Daten (M-R, AN) gerade aktualisiert? (Trigger fuer Chat) chat_eval_just_ran = False # Liefen die ChatGPT-Evaluationen (AO) gerade? (Trigger fuer ML) # --- Initiale Werte lesen --- # Lesen Sie die Werte aus den Spalten, die fuer mehrere Schritte benoetigt werden. # Nutzt die interne Helferfunktion _get_cell_value_safe, um sicher auf Zellen zuzugreifen. # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind. # CRM Daten company_name = self._get_cell_value_safe(row_data, "CRM Name").strip() website_url = self._get_cell_value_safe(row_data, "CRM Website").strip() # Arbeitskopie der URL (kann sich aendern) original_website_url_in_sheet = website_url # Originalwert aus Sheet behalten, fuer Website Lookup Logik crm_kurzform = self._get_cell_value_safe(row_data, "CRM Kurzform").strip() # Benoetigt fuer Contact Search crm_branche = self._get_cell_value_safe(row_data, "CRM Branche").strip() crm_beschreibung = self._get_cell_value_safe(row_data, "CRM Beschreibung").strip() # CRM Umsatz und Mitarbeiter werden direkt aus row_data geholt, wenn benoetigt (z.B. fuer Konsolidierung) # Vorhandene Wikipedia-Daten (aus dem Sheet) # Dies sind die Daten, die am ANFANG im Sheet stehen. Sie werden im Wiki-Schritt (Block 21) # durch extrahierte Daten ersetzt, wenn der Wiki-Schritt laeuft. # Initialisiere mit "k.A." wenn die Zelle leer ist. current_wiki_data = { 'url': self._get_cell_value_safe(row_data, "Wiki URL") or 'k.A.', 'first_paragraph': self._get_cell_value_safe(row_data, "Wiki Absatz") or 'k.A.', 'branche': self._get_cell_value_safe(row_data, "Wiki Branche") or 'k.A.', 'umsatz': self._get_cell_value_safe(row_data, "Wiki Umsatz") or 'k.A.', 'mitarbeiter': self._get_cell_value_safe(row_data, "Wiki Mitarbeiter") or 'k.A.', 'categories': self._get_cell_value_safe(row_data, "Wiki Kategorien") or 'k.A.' } # Arbeitskopie fuer die Wiki-Daten. Wird im Wiki-Schritt aktualisiert. # Die Chat-Evaluationen (Block 22) und ML-Schaetzung (Block 23) nutzen diese finalen Daten. final_wiki_data = current_wiki_data.copy() # Vorhandener Website-Rohtext und Zusammenfassung (aus dem Sheet) # Dies sind die Daten, die am ANFANG im Sheet stehen. Sie werden im Website-Schritt (Block 20) # durch gescrapte Daten ersetzt, wenn der Website-Schritt laeuft. # Initialisiere mit "k.A." wenn die Zelle leer ist. current_website_raw = self._get_cell_value_safe(row_data, "Website Rohtext") or 'k.A.' current_website_summary = self._get_cell_value_safe(row_data, "Website Zusammenfassung") or 'k.A.' # Arbeitskopien fuer die Website-Daten. Werden im Website-Schritt aktualisiert. # Die Chat-Evaluationen (Block 22) und ML-Schaetzung (Block 23) nutzen diese finalen Daten. website_raw = current_website_raw # Kann im Website-Schritt aktualisiert werden website_summary = current_website_summary # Kann im Website-Schritt aktualisiert werden # --- Die Logik fuer die einzelnen Verarbeitungsschritte folgt in den naechsten Bloecken --- # Jeder Schritt prueft, ob er in steps_to_run enthalten ist UND (ob er laut Status noetig ist ODER force_reeval True ist). # ====================================================================== # === Verarbeitungsschritte innerhalb von _process_single_row ========== # ====================================================================== # --- 1. Website Handling (Lookup, Scraping, Summarization) --- # Dieser Schritt wird ausgefuehrt, wenn 'web' in steps_to_run enthalten ist UND # (_needs_website_processing True ist ODER force_reeval True ist). # _needs_website_processing prueft AT. Die Lookup-Logik (D leer) ist separat. # Die Website-Verarbeitung umfasst Lookup (optional), Scraping und Summarization. # Nutzt interne Helfer: _get_cell_value_safe, _needs_website_processing. # Nutzt globale Helfer: COLUMN_MAP, logger, serp_website_lookup, get_website_raw, summarize_website_content, datetime, time. # Pruefen Sie, ob der Website-Schritt im aktuellen Lauf angefordert wurde run_website_step = 'web' in steps_to_run # Pruefen Sie, ob der Website-Schritt laut Status oder Re-Eval noetig ist website_processing_needed_based_on_status = self._needs_website_processing(row_data, force_reeval) # Wenn der Website-Schritt angefordert wurde UND laut Status/Re-Eval noetig ist if run_website_step and website_processing_needed_based_on_status: any_processing_done = True # Markiere, dass in dieser Zeile etwas getan wird # Bestimme den Grund fuer die Ausfuehrung dieses Schritts fuer das Logging grund_message_parts = [] if force_reeval: grund_message_parts.append('Re-Eval') if not self._get_cell_value_safe(row_data, "Website Scrape Timestamp").strip(): grund_message_parts.append('AT leer') grund_message = ", ".join(grund_message_parts) self.logger.info(f"Zeile {row_num_in_sheet}: Fuehre WEBSITE Schritte aus (Grund: {grund_message})...") # <<< GEÄNDERT # Website Lookup nur, wenn die URL in Spalte D (CRM Website) leer oder "k.A." ist # Nutzt die lokal gespeicherte Kopie der URL, die ggf. im Lookup ueberschrieben wird. if not website_url or website_url.lower() == "k.a.": self.logger.debug(" -> Website URL (D) leer oder k.A., suche ueber SERP...") # <<< GEÄNDERT # Annahme: serp_website_lookup global definiert (Block 10) und nutzt logging/retry try: # Der serp_website_lookup Aufruf ist mit retry_on_failure dekoriert. # Wenn er nach Retries fehlschlaegt, wirft er eine Exception. new_website = serp_website_lookup(company_name) # Nutzt globalen Helfer (Block 10) # Wenn eine neue Website gefunden wurde if new_website != "k.A.": # Ueberschreibe die lokale Variable website_url fuer den weiteren Schritt (Scraping) website_url = new_website # Fuegen Sie das Update fuer Spalte D zur Liste der Sheet-Updates hinzu updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["CRM Website"] + 1)}{row_num_in_sheet}', 'values': [[website_url]]}) self.logger.info(f" -> Neue Website gefunden und fuer Update D:{row_num_in_sheet} vorgemerkt: {website_url[:100]}...") # <<< GEÄNDERT else: # Wenn keine neue Website gefunden wurde self.logger.warning(f" -> Keine neue Website ueber SERP gefunden fuer '{company_name[:100]}...'.") # <<< GEÄNDERT # website_url bleibt leer oder k.A. in diesem Fall. except Exception as e_serp_lookup: # Wenn serp_website_lookup eine Exception wirft (nach Retries) self.logger.error(f"FEHLER bei SERP Website Lookup fuer '{company_name[:100]}...': {e_serp_lookup}") # <<< GEÄNDERT # Bei Fehler bleibt website_url unveraendert (leer oder k.A.). Fahren Sie fort. pass # Fahren Sie fort, falls eine URL im Sheet war oder gefunden wurde # Führen Sie Scraping und Zusammenfassung nur durch, wenn eine gueltige Website URL vorhanden ist (lokale Variable website_url) # Ueberpruefen Sie auf nicht-leere website_url und ungleich "k.A." oder Fehlerwerten. if website_url and website_url.lower() not in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"]: self.logger.debug(f" -> Scrape Rohtext von {website_url[:100]}...") # <<< GEÄNDERT # Annahme: get_website_raw global definiert (Block 11) und nutzt logging/retry try: # Der get_website_raw Aufruf ist mit retry_on_failure dekoriert. # Wenn er nach Retries fehlschlaegt, wirft er eine Exception oder gibt einen Fehlerwert zurueck. new_website_raw = get_website_raw(website_url) # Nutzt globalen Helfer (Block 11) website_raw = new_website_raw # Aktualisiere die lokale Variable (AR Wert) # Zusammenfassung nur, wenn gueltiger Rohtext extrahiert wurde. # Pruefen Sie auf nicht-leeren raw_text und ungleich Standard-Fehlerwerten. if website_raw and str(website_raw).strip().lower() not in ["k.a.", "k.a. (nur cookie-banner erkannt)", "k.a. (fehler)"]: self.logger.debug(f" -> Fasse Rohtext zusammen (Laenge: {len(str(website_raw))})...") # <<< GEÄNDERT # Annahme: summarize_website_content global definiert (Block 9) und nutzt logging/retry try: # Der summarize_website_content Aufruf ist mit retry_on_failure dekoriert. # Wenn er nach Retries fehlschlaegt, wirft er eine Exception oder gibt einen Fehlerwert zurueck. new_website_summary = summarize_website_content(website_raw) # Nutzt globalen Helfer (Block 9) # Aktualisiere die lokale Variable (AS Wert). Wenn das Ergebnis leer ist, setze "k.A.". website_summary = new_website_summary if new_website_summary and new_website_summary.strip() else "k.A. (Keine Zusammenfassung erhalten)" # Fuegen Sie das Update fuer Spalte AS (Website Zusammenfassung) zur Liste hinzu updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Zusammenfassung"] + 1)}{row_num_in_sheet}', 'values': [[website_summary]]}) except Exception as e_summary: # Wenn summarize_website_content eine Exception wirft (nach Retries) self.logger.error(f"FEHLER bei Website Zusammenfassung fuer '{company_name[:100]}...': {e_summary}") # <<< GEÄNDERT # Setze die lokale Variable auf einen Fehlerwert website_summary = f"k.A. (Fehler Zusammenfassung: {str(e_summary)[:100]}...)" # Korrektur: e statt e_summary # Fuegen Sie ein Update mit dem Fehlerwert fuer Spalte AS hinzu updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Zusammenfassung"] + 1)}{row_num_in_sheet}', 'values': [[website_summary]]}) pass # Fahren Sie fort else: # Wenn kein gueltiger Rohtext zum Zusammenfassen vorhanden war self.logger.debug(" -> Kein gueltiger Rohtext zum Zusammenfassen vorhanden. Zusammenfassung uebersprungen.") # <<< GEÄNDERT # Stellen Sie sicher, dass die lokale Variable korrekt gesetzt ist, falls nicht zusammengefasst website_summary = "k.A." # Fuege 'k.A.' Update fuer AS hinzu (nur wenn es vorher nicht k.A. war?) # Oder immer setzen, wenn der Schritt lief und keine Zusammenfassung erstellt wurde. updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Zusammenfassung"] + 1)}{row_num_in_sheet}', 'values': [['k.A.']]}) # Fuegen Sie das Update fuer Spalte AR (Website Rohtext) zur Liste hinzu (auch wenn es ein Fehlerwert ist) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Rohtext"] + 1)}{row_num_in_sheet}', 'values': [[website_raw]]}) except Exception as e_scrape: # Wenn get_website_raw eine Exception wirft (nach Retries) self.logger.error(f"FEHLER beim Website Scraping fuer '{company_name[:100]}' ({website_url[:100]}...): {e_scrape}") # <<< GEÄNDERT # Setze die lokalen Variablen auf Fehlerwerte website_raw = f"k.A. (Fehler Scraping: {str(e_scrape)[:100]}...)" # Korrektur: e statt e_scrape website_summary = "k.A. (Fehler Zusammenfassung)" # Zusammenfassung fehlschlaegt auch # Fuegen Sie Updates mit Fehlerwerten fuer AR und AS hinzu updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Rohtext"] + 1)}{row_num_in_sheet}', 'values': [[website_raw]]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Zusammenfassung"] + 1)}{row_num_in_sheet}', 'values': [[website_summary]]}) pass # Fahren Sie fort else: # Wenn keine gueltige Website URL vorhanden/gefunden wurde self.logger.debug(f" -> Keine gueltige Website URL vorhanden/gefunden fuer '{company_name[:100]}...'. Website Verarbeitung uebersprungen.") # <<< GEÄNDERT # Stellen Sie sicher, dass AR und AS auf k.A. gesetzt werden, wenn der Schritt lief, aber keine URL da war. # Die lokalen Variablen behalten ihre initialen Werte (current_...) wenn der Schritt uebersprungen wurde, # aber wenn der Schritt lief, aber keine URL da war, sollten sie auf k.A. gesetzt werden. # Setzen Sie explizit auf k.A. oder Fehlerwerte, falls der Schritt lief aber fehlschlug wegen URL. website_raw = "k.A." website_summary = "k.A." # Fuegen Sie Updates fuer AR und AS hinzu, falls noetig (Vermeidung von doppelten k.A. Updates) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Rohtext"] + 1)}{row_num_in_sheet}', 'values': [['k.A.']]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Zusammenfassung"] + 1)}{row_num_in_sheet}', 'values': [['k.A.']]}) # Setzen Sie den Website Scrape Timestamp (AT), da der Website-Schritt lief (auch wenn fehlerhaft) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Scrape Timestamp"] + 1)}{row_num_in_sheet}', 'values': [[now_timestamp]]}) # else if run_website_step: # Der Website Schritt war angefordert, aber nicht noetig basierend auf Status/Re-Eval. # Die lokalen Variablen website_raw und website_summary behalten ihre initialen Werte (current_...). # self.logger.debug(f"Zeile {row_num_in_sheet}: Ueberspringe WEBSITE Schritte (AT vorhanden und kein Re-Eval).") # Zu viel Laerm im Debug # --- Der Code fuer den naechsten Verarbeitungsschritt (Wikipedia) folgt im naechsten Block --- # Definition der Methode _process_single_row wird in der naechsten Nachricht fortgesetzt. # --- 2. Wikipedia Handling (Search, Extraction, Status Reset) --- # Dieser Schritt wird ausgefuehrt, wenn 'wiki' in steps_to_run enthalten ist UND # (_needs_wiki_processing True ist ODER force_reeval True ist). # _needs_wiki_processing prueft AN und S='X (URL Copied)'. # Die Logik fuer S='X (URL Copied)' dient dazu, eine URL, die durch die Wiki-Update # Funktion in M kopiert wurde, sofort neu extrahieren zu lassen. # Nutzt interne Helfer: _get_cell_value_safe, _needs_wiki_processing. # Nutzt globale Helfer: COLUMN_MAP, logger, wikipedia, wikipedia.exceptions, # retry_on_failure, unquote, time, traceback. # Nutzt die uebergebene wiki_scraper Instanz. # Pruefen Sie, ob der Wiki-Schritt im aktuellen Lauf angefordert wurde run_wiki_step = 'wiki' in steps_to_run # Pruefen Sie, ob der Wiki-Schritt laut Status oder Re-Eval noetig ist wiki_processing_needed_based_on_status = self._needs_wiki_processing(row_data, force_reeval) # Wenn der Wiki-Schritt angefordert wurde UND laut Status/Re-Eval noetig ist if run_wiki_step and wiki_processing_needed_based_on_status: any_processing_done = True # Markiere, dass in dieser Zeile etwas getan wird # Bestimme den Grund fuer die Ausfuehrung dieses Schritts fuer das Logging grund_message_parts = [] if force_reeval: grund_message_parts.append('Re-Eval') # Pruefe, ob der Timestamp AN leer ist (nutzt interne Helfer) if not self._get_cell_value_safe(row_data, "Wikipedia Timestamp").strip(): grund_message_parts.append('AN leer') # Pruefe, ob Status S "X (URL Copied)" ist (nutzt interne Helfer) if self._get_cell_value_safe(row_data, "Chat Wiki Konsistenzpruefung").strip().upper() == "X (URL COPIED)": grund_message_parts.append("S='X (URL Copied)'") grund_message = ", ".join(grund_message_parts) self.logger.info(f"Zeile {row_num_in_sheet}: Fuehre WIKI Suche/Extraktion aus (Grund: {grund_message})...") # <<< GEÄNDERT # Holen Sie die aktuelle Wiki URL aus Spalte M (nutzt interne Helfer) url_in_m = self._get_cell_value_safe(row_data, "Wiki URL").strip() url_to_extract = None # Die URL, von der wir am Ende Daten extrahieren werden search_was_needed = False # Flag, ob eine neue Suche durchgefuehrt wurde # --- Logik zur Bestimmung der URL, die verwendet werden soll --- # Prioritaet (bei Ausfuehrung des Wiki-Schritts): # 1. Wenn Status S == "X (URL Copied)": Ignoriere URL in M, fuehre neue Suche aus. # 2. Wenn force_reeval True: Nimm URL in M, WENN gueltig aussehend. Sonst neue Suche. # 3. Wenn AN leer (und kein S="X(URL Copied)", kein Re-Eval): Nimm URL in M, WENN valide. Sonst neue Suche. status_s_indicates_reparse = self._get_cell_value_safe(row_data, "Chat Wiki Konsistenzpruefung").strip().upper() == "X (URL COPIED)" an_value = self._get_cell_value_safe(row_data, "Wikipedia Timestamp").strip() # Pruefe, ob die URL in M existiert und wie eine Wikipedia-URL aussieht (ignoriert "k.A." und Fehlerwerte) m_url_exists_and_looks_valid = url_in_m and isinstance(url_in_m, str) and "wikipedia.org/wiki/" in url_in_m.lower() and url_in_m.lower() not in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"] # Fuege "http:" hinzu # Bestimmen Sie, ob eine neue Suche notwendig ist if status_s_indicates_reparse: # Wenn Status S signalisiert, dass eine neu kopierte URL extrahiert werden soll, fuehre immer eine Suche aus. self.logger.warning(f" -> Status S ist 'X (URL Copied)', ignoriere URL '{url_in_m[:100]}...' in M und starte neue Suche...") # <<< GEÄNDERT search_was_needed = True # Suche ist noetig elif force_reeval: # Wenn Re-Eval erzwungen wird self.logger.debug(" -> Re-Eval Modus aktiv fuer Wiki-Schritt.") # <<< GEÄNDERT # Wenn die URL in M existiert und gueltig aussieht if m_url_exists_and_looks_valid: # Im Re-Eval Modus nehmen wir die URL aus M an, OHNE erneute Validierung oder Suche (Vertrauen auf M!). self.logger.info(f" -> Re-Eval: Nutze vorhandene URL aus Spalte M direkt: {url_in_m[:100]}...") # <<< GEÄNDERT url_to_extract = url_in_m # Verwende die URL aus M direkt else: # Wenn M leer/ungueltig ist, auch im Re-Eval Modus neu suchen self.logger.debug(f" -> Re-Eval: Spalte M ist leer oder ungueltig ('{url_in_m[:100]}...'). Starte neue Suche...") # <<< GEÄNDERT search_was_needed = True # Suche ist noetig elif not an_value: # Wenn AN leer ist (und kein S="X(Copied)" oder Re-Eval) # Wenn die URL in M existiert und gueltig aussieht if m_url_exists_and_looks_valid: # Wenn AN fehlt und M gefuellt ist, pruefen wir die Validitaet der M-URL ueber die wikipedia Bibliothek. self.logger.debug(f" -> AN fehlt, pruefe Validitaet der URL aus M: {url_in_m[:100]}...") # <<< GEÄNDERT try: # Extrahieren des Titels aus der URL fuer wikipedia.page (nutzt globale Helfer) # Dieser Aufruf kann Exceptions werfen (PageError, DisambiguationError). title_from_url_part = url_in_m.split('/wiki/', 1)[1].split('#')[0] # Titelteil nach /wiki/, Anker entfernen title_from_url = unquote(title_from_url_part).replace('_', ' ') # Dekodieren und Unterstriche ersetzen # Laden des Page Objekts, um es mit _validate_article zu pruefen. # wikipedia.page nutzt intern Requests und API calls, die fehlschlagen koennen. # wikipedia.page selbst kann wikipedia.exceptions werfen. # Wir fangen diese spezifischen wikipedia.exceptions hier ab, aber andere RequestsExceptions # werden vom retry_on_failure auf extract_company_data gefangen (spaeter). page_from_m = wikipedia.page(title_from_url, auto_suggest=False, preload=True) # Validierung des Artikels mit der Scraper-Methode (nutzt interne Methode) # _validate_article kann interne Fehler haben (z.B. bei HTML Parsing), aber faengt sie. if self.wiki_scraper._validate_article(page_from_m, company_name, website_url): url_to_extract = page_from_m.url # Die URL ist valide und wird verwendet self.logger.info(f" -> Vorhandene URL aus M '{url_to_extract[:100]}...' ist valide und wird verwendet.") # <<< GEÄNDERT else: # Wenn der Artikel aus M nicht validiert wird self.logger.warning(f" -> Vorhandene URL aus M '{page_from_m.title[:100]}...' ist NICHT valide. Starte neue Suche...") # <<< GEÄNDERT search_was_needed = True # Suche ist noetig except (wikipedia.exceptions.PageError, wikipedia.exceptions.DisambiguationError) as e_wiki_m: # Wenn die URL in M zu einem nicht existierenden Artikel oder einer Begriffsklaerung fuehrt self.logger.warning(f" -> Vorhandene URL aus M '{url_in_m[:100]}...' fuehrt zu Fehler ({type(e_wiki_m).__name__}). Starte neue Suche...") # <<< GEÄNDERT # Logge die Disambiguation Optionen auf Debug, falls vorhanden if isinstance(e_wiki_m, wikipedia.exceptions.DisambiguationError): self.logger.debug(f" -> Disambiguation Optionen: {str(e_wiki_m.options)[:100]}...") # <<< GEÄNDERT search_was_needed = True # Suche ist noetig pass # Faert fort except Exception as e_val_m: # Fange andere unerwartete Fehler beim Pruefen der URL aus M ab (z.B. URL-Parsing-Fehler vor wikipedia.page) self.logger.exception(f" -> Unerwarteter Fehler beim Pruefen der URL aus M '{url_in_m[:100]}...': {e_val_m}. Starte neue Suche...") # <<< GEÄNDERT search_was_needed = True # Suche ist noetig pass # Faert fort else: # M ist leer/ungueltig und AN fehlt -> Suche starten self.logger.debug(f" -> AN fehlt und M leer/ungueltig ('{url_in_m[:100]}...'). Starte Wikipedia-Suche fuer '{company_name[:100]}...'...") # <<< GEÄNDERT search_was_needed = True # Suche ist noetig # --- Führe die Suche aus, wenn search_was_needed True ist --- if search_was_needed: self.logger.debug(f" -> Fuehre Wikipedia Suche ueber scraper durch...") # <<< GEÄNDERT try: # Rufe die search_company_article Methode des Scrapers auf. # search_company_article ist mit retry_on_failure dekoriert und wirft bei endgueltigem Fehler eine Exception. # Nutzt die ggf. neue Website URL fuer Kontext im search_company_article. validated_page = self.wiki_scraper.search_company_article(company_name, website_url) # Nutzt die uebergebene scraper Instanz if validated_page: # Wenn ein validierter Artikel gefunden wurde, setze die URL, von der extrahiert werden soll. url_to_extract = validated_page.url self.logger.info(f" -> Suche erfolgreich, validierte URL: {url_to_extract[:100]}...") # <<< GEÄNDERT else: # Wenn die Suche keinen validierten Artikel fand self.logger.debug(f" -> Suche fand keinen validierten Artikel fuer '{company_name[:100]}...'.") # <<< GEÄNDERT url_to_extract = 'Kein Artikel gefunden' # Signalisiert kein Artikel gefunden except Exception as e_wiki_search: # Wenn search_company_article eine Exception wirft (nach Retries) # Der Fehler wird bereits vom retry_on_failure Decorator geloggt. self.logger.error(f"FEHLER bei Wikipedia Suche fuer '{company_name[:100]}...': {e_wiki_search}") # <<< GEÄNDERT url_to_extract = f"FEHLER bei Suche: {str(e_wiki_search)[:50]}..." # Signalisiert Fehler bei Suche (gekuerzt) # Pass, faert fort, um zumindest den Status zu setzen. pass # --- Datenextraktion, wenn eine URL bestimmt wurde, von der extrahiert werden soll --- # Extrahiere Daten, wenn url_to_extract einen Wert hat, der NICHT "Kein Artikel gefunden" oder ein Fehlerstring ist. if url_to_extract and isinstance(url_to_extract, str) and url_to_extract.lower() not in ['kein artikel gefunden'] and not url_to_extract.startswith("FEHLER"): self.logger.debug(f" -> Extrahiere Daten von URL: {url_to_extract[:100]}...") # <<< GEÄNDERT try: # Rufe die extract_company_data Methode des Scrapers auf. # extract_company_data ist mit retry_on_failure dekoriert und wirft bei endgueltigem Fehler eine Exception. extracted_data = self.wiki_scraper.extract_company_data(url_to_extract) # Nutzt die uebergebene scraper Instanz # Pruefen Sie, ob die Extraktion erfolgreich war (nicht None oder mit Fehlerwert) if extracted_data and isinstance(extracted_data, dict) and extracted_data.get('url') != 'k.A.': # Pruefe auf gueltige Extraktion final_wiki_data = extracted_data # Aktualisiere die Arbeitskopie der Wiki-Daten mit den extrahierten Daten. wiki_data_updated_in_this_run = True # Markieren, dass extrahierte Daten da sind (Trigger fuer Chat). self.logger.info(f" -> Datenextraktion von {url_to_extract[:100]}... erfolgreich.") # <<< GEÄNDERT else: # Wenn extrahierte Daten leer oder ungueltig sind (z.B. parse Fehler intern) self.logger.error(f" -> Fehler bei Datenextraktion von {url_to_extract[:100]}... oder Extraktion war leer. Setze Daten auf 'k.A.'") # <<< GEÄNDERT # Behalte die URL, aber setze alle anderen Felder auf k.A. oder Fehler. final_wiki_data = {'url': url_to_extract, 'first_paragraph': 'k.A. (Extraktion fehlgeschlagen)', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'} wiki_data_updated_in_this_run = True # Markieren, dass die Daten ueberschrieben werden. except Exception as e_wiki_extract: # Wenn extract_company_data eine Exception wirft (nach Retries) self.logger.error(f"FEHLER bei Wikipedia Datenextraktion von {url_to_extract[:100]}...: {e_wiki_extract}") # <<< GEÄNDERT # Setze Daten auf k.A., behalte aber die URL, von der extrahiert werden sollte final_wiki_data = {'url': url_to_extract, 'first_paragraph': f'k.A. (FEHLER Extraktion: {str(e_wiki_extract)[:50]}...)', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'} # Korrektur: e -> e_wiki_extract wiki_data_updated_in_this_run = True # Markieren, dass die Daten ueberschrieben werden. pass # Faert fort else: # Wenn keine gueltige URL zum Extrahieren bestimmt wurde (z.B. Suche fand nichts oder Fehler bei Suche) self.logger.debug(f" -> Keine gueltige URL zum Extrahieren bestimmt ('{url_to_extract}'). Wiki-Daten nicht extrahiert.") # <<< GEÄNDERT # final_wiki_data behaelt die current_wiki_data Werte (initial geladen) oder wurde oben bei Suche auf "Kein Artikel gefunden"/"FEHLER" gesetzt. # Stelle sicher, dass final_wiki_data die richtige URL enthaelt, auch wenn keine Extraktion stattfand. if url_to_extract in ['Kein Artikel gefunden'] or (isinstance(url_to_extract, str) and url_to_extract.startswith("FEHLER")): # Korrektur Pruefung final_wiki_data['url'] = url_to_extract # Update nur die URL im Ergebnis # --- Sheet Updates fuer M-R und AN --- # Diese Updates werden immer hinzugefuegt, WENN der WIKI-Schritt lief (run_wiki_step and wiki_processing_needed_based_on_status war True). # Auch wenn die Suche/Extraktion fehlschlug (dann werden k.A. oder Fehlermeldungen geschrieben). # Aktualisiere die Spalten M-R mit den finalen Daten im final_wiki_data Dictionary. updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Wiki URL"] + 1)}{row_num_in_sheet}', 'values': [[final_wiki_data.get('url', 'k.A.')]]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Wiki Absatz"] + 1)}{row_num_in_sheet}', 'values': [[final_wiki_data.get('first_paragraph', 'k.A.')]]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Wiki Branche"] + 1)}{row_num_in_sheet}', 'values': [[final_wiki_data.get('branche', 'k.A.')]]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Wiki Umsatz"] + 1)}{row_num_in_sheet}', 'values': [[final_wiki_data.get('umsatz', 'k.A.')]]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Wiki Mitarbeiter"] + 1)}{row_num_in_sheet}', 'values': [[final_wiki_data.get('mitarbeiter', 'k.A.')]]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Wiki Kategorien"] + 1)}{row_num_in_sheet}', 'values': [[final_wiki_data.get('categories', 'k.A.')]]}) # Setze den Wikipedia Timestamp (AN), da der Wiki-Schritt lief (auch wenn fehlerhaft) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Wikipedia Timestamp"] + 1)}{row_num_in_sheet}', 'values': [[now_timestamp]]}) # --- Setze S ('Chat Wiki Konsistenzpruefung') und AX ('Wiki Verif. Timestamp') zurueck, wenn Neubewertung noetig ist --- # Eine Neubewertung (Zuruecksetzen von S und AX) ist noetig, wenn: # - force_reeval True ist (immer bei Re-Eval des Wiki-Schritts) # - Status S zuvor "X (URL Copied)" war (der Trigger fuer die Re-Extraktion) # - Die neue URL in M (final_wiki_data['url']) anders ist als die urspruengliche URL aus M (url_in_m), UND die neue URL gueltig ist. status_s_indicates_reparse = self._get_cell_value_safe(row_data, "Chat Wiki Konsistenzpruefung").strip().upper() == "X (URL COPIED)" # Pruefe, ob die FINAL_wiki_data URL (nach Suche/Extraktion) anders ist als die URSPRUENGLICHE URL in M im Sheet. # UND stelle sicher, dass die neue URL eine gueltige URL ist (nicht "k.A." oder Fehlerstring). new_wiki_url = final_wiki_data.get('url') url_changed_and_valid = (url_in_m != new_wiki_url) and isinstance(new_wiki_url, str) and new_wiki_url.lower() not in ["k.a.", "kein artikel gefunden"] and not new_wiki_url.startswith("FEHLER") # Korrektur Pruefung # Bestimme, ob S und AX zurueckgesetzt werden sollen if force_reeval or status_s_indicates_reparse or url_changed_and_valid: s_idx = COLUMN_MAP.get("Chat Wiki Konsistenzpruefung") ax_idx = COLUMN_MAP.get("Wiki Verif. Timestamp") if s_idx is not None and ax_idx is not None: s_let = self.sheet_handler._get_col_letter(s_idx + 1) ax_let = self.sheet_handler._get_col_letter(ax_idx + 1) # Fuegen Sie die Updates zum Zuruecksetzen von S und AX hinzu # S wird auf '?' gesetzt, um anzuzeigen, dass eine Verifizierung aussteht updates.append({'range': f'{s_let}{row_num_in_sheet}', 'values': [["?"]]}) # AX wird geleert, um die Batch-Verifizierung zu triggern updates.append({'range': f'{ax_let}{row_num_in_sheet}', 'values': [[""]]}) # Bestimme den Grund-String fuer das Logging grund_message_parts = [] if force_reeval: grund_message_parts.append('Re-Eval') if status_s_indicates_reparse: grund_message_parts.append("S='X (URL Copied)'") if url_changed_and_valid: grund_message_parts.append('URL geaendert und gueltig') grund_message_s_reset = ", ".join(grund_message_parts) self.logger.info(f" -> Status S zurueckgesetzt auf '?' und Timestamp AX geleert fuer erneute Verifikation (Grund: {grund_message_s_reset}).") # <<< GEÄNDERT else: # Logge Fehler, wenn Spaltenindizes fehlen self.logger.error("FEHLER: Konnte Spaltenbuchstaben fuer S oder AX nicht ermitteln. Zuruecksetzen uebersprungen.") # <<< GEÄNDERT # else if run_wiki_step: # Der Wiki Schritt war angefordert, aber nicht noetig basierend auf Status/Re-Eval. # Die lokalen Variablen final_wiki_data behaelt die initialen Werte (current_...). # self.logger.debug(f"Zeile {row_num_in_sheet}: Ueberspringe WIKI Suche/Extraktion (AN vorhanden, S nicht 'X (URL Copied)' und kein Re-Eval).") # Zu viel Laerm im Debug # --- Der Code fuer den naechsten Verarbeitungsschritt (ChatGPT Evaluationen) folgt im naechsten Block --- # Definition der Methode _process_single_row wird in der naechsten Nachricht fortgesetzt. # --- 3. ChatGPT Evaluationen (Branch, FSM, Emp, Umsatz Schaetzungen etc.) --- # Dieser Schritt wird ausgefuehrt, wenn 'chat' in steps_to_run enthalten ist UND # (_needs_chat_evaluations True ist ODER force_reeval True ist). # _needs_chat_evaluations prueft AO oder ob Wiki-Daten in diesem Lauf gerade aktualisiert wurden. # Nutzt interne Helfer: _get_cell_value_safe, _needs_chat_evaluations. # Nutzt globale Helfer: COLUMN_MAP, logger, datetime, time, # evaluate_branche_chatgpt (Block 10), # get_numeric_filter_value (Block 5) <- ERSETZT get_valid_numeric. # (Optional: evaluate_fsm_suitability, evaluate_employee_chatgpt, evaluate_umsatz_chatgpt - muessen implementiert werden). # Nutzt lokale Variablen: crm_branche, crm_beschreibung, final_wiki_data, website_summary, wiki_data_updated_in_this_run. # Pruefen Sie, ob die Chat-Schritte im aktuellen Lauf angefordert wurden run_chat_step = 'chat' in steps_to_run # Pruefen Sie, ob die Chat-Schritte laut Status, Re-Eval oder Wiki-Update noetig sind. # wiki_data_just_updated_in_this_run ist ein Flag aus dem vorherigen Wiki-Schritt (Block 19). chat_processing_needed_based_on_status = self._needs_chat_evaluations(row_data, force_reeval, wiki_data_updated_in_this_run) # Wenn die Chat-Schritte angefordert wurden UND laut Status/Re-Eval noetig sind if run_chat_step and chat_processing_needed_based_on_status: any_processing_done = True # Markiere, dass in dieser Zeile etwas getan wird # Setzen Sie das Flag, dass Chat-Evaluationen liefen (koennte ML ausloesen Block 23) chat_eval_just_ran = True # Bestimme den Grund fuer die Ausfuehrung dieses Schritts fuer das Logging grund_message_parts = [] if force_reeval: grund_message_parts.append('Re-Eval') # Pruefe, ob der Timestamp AO leer ist (nutzt interne Helfer) if not self._get_cell_value_safe(row_data, "Timestamp letzte Pruefung").strip(): grund_message_parts.append('AO leer') # Pruefe, ob Wiki-Daten gerade aktualisiert wurden (Flag aus Block 19) if wiki_data_updated_in_this_run: grund_message_parts.append('Wiki Daten gerade aktualisiert') grund_message = ", ".join(grund_message_parts) self.logger.info(f"Zeile {row_num_in_sheet}: Fuehre CHATGPT Evaluationen aus (Grund: {grund_message})...") # <<< GEÄNDERT # Hole die notwendigen Daten fuer die ChatGPT-Calls. # Nutzt die initial geladenen CRM-Daten und die finalen Daten aus den vorherigen Schritten (Wiki, Website). # crm_branche, crm_beschreibung wurden initial geladen (Block 17). # final_wiki_data wurde im Wiki-Schritt (Block 19) aktualisiert oder behaelt alte Werte. # website_summary wurde im Website-Schritt (Block 18) aktualisiert oder behaelt alte Werte. # --- 3a. Branchen-Einstufung (W, X, Y) --- self.logger.debug(" -> Starte Branchen-Einstufung ueber ChatGPT...") # <<< GEÄNDERT try: # Annahme: evaluate_branche_chatgpt global definiert (Block 10) und nutzt logging/retry # evaluate_branche_chatgpt braucht Zugriff auf globale ALLOWED_TARGET_BRANCHES und TARGET_SCHEMA_STRING (Block 6) # Der Aufruf ist mit retry_on_failure dekoriert und wirft bei endgueltigem Fehler eine Exception. branch_result = evaluate_branche_chatgpt( # Nutzt globalen Helfer (Block 10) crm_branche, # Nutzt initial geladenen CRM Wert crm_beschreibung, # Nutzt initial geladenen CRM Wert final_wiki_data.get('branche', 'k.A.'), # Nutzt ggf. neue Wiki-Branche aus Block 19 final_wiki_data.get('categories', 'k.A.'), # Nutzt ggf. neue Wiki-Kategorien aus Block 19 website_summary # Nutzt ggf. neue Website-Zusammenfassung aus Block 18 ) # Sammle Updates fuer die Branchen-Spalten (W, X, Y) (nutzt interne Helfer) # Stellen Sie sicher, dass die Schluessel im Ergebnis-Dict vorhanden sind, Fallback auf Standard-Fehlerwerte. updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Vorschlag Branche"] + 1)}{row_num_in_sheet}', 'values': [[branch_result.get("branch", "FEHLER")]]}) # Block 1 Column Map updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Konsistenz Branche"] + 1)}{row_num_in_sheet}', 'values': [[branch_result.get("consistency", "error")]]}) # Block 1 Column Map updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Begruendung Abweichung Branche"] + 1)}{row_num_in_sheet}', 'values': [[branch_result.get("justification", "Keine Begruendung")]]}) # Block 1 Column Map except Exception as e_branch_eval: # Wenn evaluate_branche_chatgpt eine Exception wirft (nach Retries) # Der Fehler wird bereits vom retry_on_failure Decorator oder evaluate_branche_chatgpt geloggt. self.logger.error(f"FEHLER bei Branchen-Einstufung ueber ChatGPT fuer Zeile {row_num_in_sheet}: {e_branch_eval}") # <<< GEÄNDERT # Logge den Traceback fuer detailliertere Fehlerinformationen self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT # Fuegen Sie Updates mit Fehlerwerten hinzu, um den Fehler im Sheet zu dokumentieren. error_msg = f"Fehler: {str(e_branch_eval)[:100]}..." # Kuerze Fehlermeldung updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Vorschlag Branche"] + 1)}{row_num_in_sheet}', 'values': [['FEHLER']]}) # Block 1 Column Map updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Konsistenz Branche"] + 1)}{row_num_in_sheet}', 'values': [['error']]}) # Block 1 Column Map updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Begruendung Abweichung Branche"] + 1)}{row_num_in_sheet}', 'values': [[error_msg]]}) # Block 1 Column Map pass # Fahren Sie fort mit den naechsten Schritten, auch wenn Branchenevaluation fehlschlug # --- 3b. FSM Relevanz Bewertung (Z, AA) --- # TODO: Implementieren Sie die Logik und den Aufruf der Funktion evaluate_fsm_suitability self.logger.debug(" -> Starte FSM Relevanz Bewertung (Platzhalter)...") # <<< GEÄNDERT # Beispielaufruf (angenommen, evaluate_fsm_suitability existiert global): # try: # fsm_result = evaluate_fsm_suitability( # company_name, # Nutzt initial geladenen CRM Namen # {'crm_desc': crm_beschreibung, 'wiki_paragraph': final_wiki_data.get('first_paragraph', 'k.A.'), 'web_summary': website_summary} # ) # # Sammle Updates fuer FSM Spalten (Z, AA) (nutzt interne Helfer) # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Pruefung FSM Relevanz"] + 1)}{row_num_in_sheet}', 'values': [[fsm_result.get('suitability', 'k.A.')]]}) # Block 1 Column Map # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Begruendung fuer FSM Relevanz"] + 1)}{row_num_in_sheet}', 'values': [[fsm_result.get('justification', 'k.A.')]]}) # Block 1 Column Map # except Exception as e_fsm_eval: # self.logger.error(f"FEHLER bei FSM Relevanz Bewertung fuer Zeile {row_num_in_sheet}: {e_fsm_eval}") # <<< GEÄNDERT # # Fuege Fehler-Updates hinzu # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Pruefung FSM Relevanz"] + 1)}{row_num_in_sheet}', 'values': [['FEHLER']]}) # Block 1 Column Map # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Begruendung fuer FSM Relevanz"] + 1)}{row_num_in_sheet}', 'values': [[f'Fehler: {str(e_fsm_eval)[:100]}...']]}) # Block 1 Column Map # pass # Faert fort # --- 3c. Mitarbeiterzahl Schaetzung (AB, AC, AD) --- # TODO: Implementieren Sie die Logik und den Aufruf der Funktion evaluate_employee_chatgpt self.logger.debug(" -> Starte Mitarbeiterzahl Schaetzung (Platzhalter)...") # <<< GEÄNDERT # Beispielaufruf (angenommen, evaluate_employee_chatgpt existiert global): # try: # emp_estimate_result = evaluate_employee_chatgpt( # company_name, # Nutzt initial geladenen CRM Namen # {'crm_emp': self._get_cell_value_safe(row_data, "CRM Anzahl Mitarbeiter"), 'wiki_emp': final_wiki_data.get('mitarbeiter', 'k.A.'), 'wiki_paragraph': final_wiki_data.get('first_paragraph', 'k.A.'), 'web_summary': website_summary} # ) # # Sammle Updates fuer Mitarbeiter Schaetzspalten (AB, AC, AD) (nutzt interne Helfer) # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Schaetzung Anzahl Mitarbeiter"] + 1)}{row_num_in_sheet}', 'values': [[emp_estimate_result.get('estimate', 'k.A.')]]}) # Block 1 Column Map # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Konsistenzpruefung Mitarbeiterzahl"] + 1)}{row_num_in_sheet}', 'values': [[emp_estimate_result.get('consistency', 'k.A.')]]}) # Block 1 Column Map # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Begruendung Abweichung Mitarbeiterzahl"] + 1)}{row_num_in_sheet}', 'values': [[emp_estimate_result.get('justification', 'k.A.')]]}) # Block 1 Column Map # except Exception as e_emp_eval: # self.logger.error(f"FEHLER bei Mitarbeiterzahl Schaetzung fuer Zeile {row_num_in_sheet}: {e_emp_eval}") # <<< GEÄNDERT # # Fuege Fehler-Updates hinzu # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Schaetzung Anzahl Mitarbeiter"] + 1)}{row_num_in_sheet}', 'values': [['FEHLER']]}) # Block 1 Column Map # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Konsistenzpruefung Mitarbeiterzahl"] + 1)}{row_num_in_sheet}', 'values': [['error']]}) # Block 1 Column Map # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Begruendung Abweichung Mitarbeiterzahl"] + 1)}{row_num_in_sheet}', 'values': [[f'Fehler: {str(e_emp_eval)[:100]}...']]}) # Block 1 Column Map # pass # Faert fort # --- 3d. Umsatz Schaetzung (AG, AH) --- # TODO: Implementieren Sie die Logik und den Aufruf der Funktion evaluate_umsatz_chatgpt self.logger.debug(" -> Starte Umsatz Schaetzung (Platzhalter)...") # <<< GEÄNDERT # Beispielaufruf (angenommen, evaluate_umsatz_chatgpt existiert global): # try: # umsatz_estimate_result = evaluate_umsatz_chatgpt( # company_name, # Nutzt initial geladenen CRM Namen # {'crm_umsatz': self._get_cell_value_safe(row_data, "CRM Umsatz"), 'wiki_umsatz': final_wiki_data.get('umsatz', 'k.A.'), 'wiki_paragraph': final_wiki_data.get('first_paragraph', 'k.A.'), 'web_summary': website_summary} # ) # # Sammle Updates fuer Umsatz Schaetzspalten (AG, AH) (nutzt interne Helfer) # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Schaetzung Umsatz"] + 1)}{row_num_in_sheet}', 'values': [[umsatz_estimate_result.get('estimate', 'k.A.')]]}) # Block 1 Column Map # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Begruendung Abweichung Umsatz"] + 1)}{row_num_in_sheet}', 'values': [[umsatz_estimate_result.get('justification', 'k.A.')]]}) # Block 1 Column Map # except Exception as e_umsatz_eval: # self.logger.error(f"FEHLER bei Umsatz Schaetzung fuer Zeile {row_num_in_sheet}: {e_umsatz_eval}") # <<< GEÄNDERT # # Fuege Fehler-Updates hinzu # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Schaetzung Umsatz"] + 1)}{row_num_in_sheet}', 'values': [['FEHLER']]}) # Block 1 Column Map # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Begruendung Abweichung Umsatz"] + 1)}{row_num_in_sheet}', 'values': [[f'Fehler: {str(e_umsatz_eval)[:100]}...']]}) # Block 1 Column Map # pass # Faert fort # --- 3e. Konsolidierung Umsatz/Mitarbeiter (AV, AW) --- # Diese Logik wurde bisher in prepare_data_for_modeling (Block 31) verwendet, # kann aber auch hier nach jeder Zeilenverarbeitung durchgefuehrt und # ins Sheet geschrieben werden, um die konsolidierten Werte aktuell zu halten. self.logger.debug(" -> Konsolidiere Umsatz (AV) und Mitarbeiter (AW) (Wiki > CRM Logik)...") # <<< GEÄNDERT try: # Nutzt globale Funktion get_numeric_filter_value (Block 5) - ERSETZT get_valid_numeric # Hole die Werte aus den entsprechenden Spalten (CRM und finale Wiki-Daten) crm_umsatz_val = self._get_cell_value_safe(row_data, "CRM Umsatz") # Block 1 Column Map wiki_umsatz_val = final_wiki_data.get('umsatz', 'k.A.') # Nutzt finalen Wiki-Wert aus Block 19 crm_ma_val = self._get_cell_value_safe(row_data, "CRM Anzahl Mitarbeiter") # Block 1 Column Map wiki_ma_val = final_wiki_data.get('mitarbeiter', 'k.A.') # Nutzt finalen Wiki-Wert aus Block 19 # Konvertiere die Werte zu Numerisch (Float/Int oder 0) mit get_numeric_filter_value num_crm_umsatz = get_numeric_filter_value(crm_umsatz_val, is_umsatz=True) num_wiki_umsatz = get_numeric_filter_value(wiki_umsatz_val, is_umsatz=True) num_crm_ma = get_numeric_filter_value(crm_ma_val, is_umsatz=False) num_wiki_ma = get_numeric_filter_value(wiki_ma_val, is_umsatz=False) # Konsolidierung: Wiki hat Prioritaet vor CRM. Wenn Wiki ungueltig (0), nehme CRM. # WICHTIG: 0 ist hier das Kennzeichen fuer ungueltig/nicht parsebar/k.A. in get_numeric_filter_value final_num_umsatz = num_wiki_umsatz if num_wiki_umsatz > 0 else num_crm_umsatz final_num_ma = num_wiki_ma if num_wiki_ma > 0 else num_crm_ma # Konvertiere das finale numerische Ergebnis zurueck zu einem String ("Zahl" oder "k.A.") # Runden Sie Umsatz auf ganze Millionen und Mitarbeiter auf ganze Zahlen. # Stellen Sie sicher, dass nur positive Werte als Zahl ausgegeben werden, sonst "k.A.". final_umsatz_str = str(int(round(final_num_umsatz))) if final_num_umsatz > 0 else 'k.A.' final_ma_str = str(int(round(final_num_ma))) if final_num_ma > 0 else 'k.A.' # Sammle Updates fuer die Konsolidierungsspalten (AV, AW) (nutzt interne Helfer) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Finaler Umsatz (Wiki>CRM)"] + 1)}{row_num_in_sheet}', 'values': [[final_umsatz_str]]}) # Block 1 Column Map updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Finaler Mitarbeiter (Wiki>CRM)"] + 1)}{row_num_in_sheet}', 'values': [[final_ma_str]]}) # Block 1 Column Map self.logger.debug(f" -> Konsolidiert: Umsatz={final_umsatz_str}, MA={final_ma_str}") # <<< GEÄNDERT except Exception as e_consolidate: # Fange Fehler bei der Konsolidierung ab und logge sie self.logger.error(f"FEHLER bei Konsolidierung Umsatz/Mitarbeiter fuer Zeile {row_num_in_sheet}: {e_consolidate}") # <<< GEÄNDERT # Logge den Traceback self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT # Fuege Fehler-Updates hinzu, um den Fehler im Sheet zu dokumentieren updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Finaler Umsatz (Wiki>CRM)"] + 1)}{row_num_in_sheet}', 'values': [['FEHLER']]}) # Block 1 Column Map updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Finaler Mitarbeiter (Wiki>CRM)"] + 1)}{row_num_in_sheet}', 'values': [['FEHLER']]}) # Block 1 Column Map pass # Faert fort # Setze den Timestamp letzte Pruefung (AO), da die ChatGPT-Evaluationen liefen (auch wenn fehlerhaft) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Timestamp letzte Pruefung"] + 1)}{row_num_in_sheet}', 'values': [[now_timestamp]]}) # Block 1 Column Map # else if run_chat_step: # Die Chat-Schritte waren angefordert, aber nicht noetig basierend auf Status/Re-Eval/Wiki-Update. # Die lokalen Variablen final_wiki_data und website_summary behalten ihre initialen Werte (current_...). # chat_eval_just_ran bleibt False. # self.logger.debug(f"Zeile {row_num_in_sheet}: Ueberspringe CHATGPT Evaluationen (AO vorhanden, Wiki nicht aktualisiert und kein Re-Eval).") # Zu viel Laerm im Debug # --- Der Code fuer den naechsten Verarbeitungsschritt (ML Prediction) folgt im naechsten Block --- # Definition der Methode _process_single_row wird in der naechsten Nachricht fortgesetzt. # --- 4. Servicetechniker Schaetzung (ML Modell) (AU) --- # Dieser Schritt wird ausgefuehrt, wenn 'ml_predict' in steps_to_run enthalten ist UND # (_needs_ml_prediction True ist ODER force_reeval True ist). # _needs_ml_prediction (Block 16) prueft AU, AO und Konsolidierte Werte (AV/AW). # Nutzt interne Helfer: _needs_ml_prediction, _predict_technician_bucket, _get_cell_value_safe. # Nutzt globale Helfer: COLUMN_MAP, logger. # Nutzt lokale Variablen: force_reeval, chat_eval_just_ran. # Pruefen Sie, ob der ML-Schritt im aktuellen Lauf angefordert wurde run_ml_step = 'ml_predict' in steps_to_run # Pruefen Sie, ob der ML-Schritt laut Status, Re-Eval oder Chat-Evaluation (Trigger) noetig ist. # chat_eval_just_ran ist ein Flag aus dem vorherigen Chat-Schritt (Block 20). ml_processing_needed_based_on_status = self._needs_ml_prediction(row_data, force_reeval, chat_eval_just_ran) # Wenn der ML-Schritt angefordert wurde UND laut Status/Re-Eval noetig ist if run_ml_step and ml_processing_needed_based_on_status: any_processing_done = True # Markiere, dass in dieser Zeile etwas getan wird # Bestimme den Grund fuer die Ausfuehrung dieses Schritts fuer das Logging grund_message_parts = [] if force_reeval: grund_message_parts.append('Re-Eval') # Wenn nicht Re-Eval, dann liegt es an _needs_ml_prediction. Logge den Grund von dort auf Debug. if not force_reeval: self.logger.debug(" -> ML-Schaetzung noetig (Grund laut _needs_ml_prediction).") # <<< GEÄNDERT pass # Der spezifische Grund wird bereits in _needs_ml_prediction geloggt (auf Debug). self.logger.info(f"Zeile {row_num_in_sheet}: Fuehre ML-Schaetzung aus...") # <<< GEÄNDERT # Die ML-Schaetzung benoetigt die vorbereiteten Daten (konsolidierter Umsatz/Mitarbeiter und Branche). # Diese Werte sind bereits in der Zeile im Sheet verfuegbar (Spalten AV, AW) # oder wurden gerade in den vorherigen Schritten (Block 20) aktualisiert. # Die _predict_technician_bucket Methode muss diese Werte aus den row_data holen. try: # Annahme: _predict_technician_bucket Methode existiert in DataProcessor (Block 31). # Diese Methode muss das geladene Modell/Imputer nutzen (Attribute der Klasse), # die benoetigten Features aus den row_data extrahieren, vorbereiten und vorhersagen. # _predict_technician_bucket wirft Exception bei Fehlern. predicted_bucket = self._predict_technician_bucket(row_data) # Nutzt row_data fuer Feature-Extraktion (Block 17) # Wenn die Vorhersage erfolgreich war und ein Bucket-Label zurueckgegeben wurde if predicted_bucket and isinstance(predicted_bucket, str) and not predicted_bucket.startswith("FEHLER"): # Sammle Update fuer den AU Bucket (Geschaetzter Techniker Bucket) (nutzt interne Helfer) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Geschaetzter Techniker Bucket"] + 1)}{row_num_in_sheet}', 'values': [[predicted_bucket]]}) # Block 1 Column Map self.logger.info(f" -> ML-Schaetzung erfolgreich: Bucket '{predicted_bucket}'.") # <<< GEÄNDERT else: # Wenn die Vorhersage fehlschlug oder kein Ergebnis lieferte self.logger.warning(f" -> ML-Schaetzung lieferte kein gueltiges Ergebnis: '{predicted_bucket}'.") # <<< GEÄNDERT # Setze einen Fehlerwert im Sheet updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Geschaetzter Techniker Bucket"] + 1)}{row_num_in_sheet}', 'values': [['k.A. (Schaetzung fehlgeschlagen)']]}) # Block 1 Column Map except Exception as e_ml: # Wenn _predict_technician_bucket eine Exception wirft self.logger.error(f"FEHLER bei ML-Schaetzung fuer Zeile {row_num_in_sheet}: {e_ml}") # <<< GEÄNDERT # Logge den Traceback self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT # Fuege Fehler-Update hinzu, um den Fehler im Sheet zu dokumentieren updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Geschaetzter Techniker Bucket"] + 1)}{row_num_in_sheet}', 'values': [[f'FEHLER Schaetzung: {str(e_ml)[:50]}...']]}) # Block 1 Column Map pass # Faert fort # else if run_ml_step: # Der ML-Schritt war angefordert, aber nicht noetig basierend auf Status/Re-Eval/Chat-Evaluation. # self.logger.debug(f"Zeile {row_num_in_sheet}: Ueberspringe ML-Schaetzung (AU gesetzt oder Daten/Trigger fehlen).") # Zu viel Laerm im Debug # ====================================================================== # === Abschluss der _process_single_row Verarbeitung =================== # ====================================================================== # --- 5. Abschliessende Updates (Version, Tokens) --- # Version (AP) wird gesetzt, wenn IRGENDEINE Verarbeitung in dieser Zeile stattgefunden hat. if any_processing_done: # Nutzt Config.VERSION (Block 1) und interne Helfer. version_col_idx = COLUMN_MAP.get("Version") # Block 1 Column Map if version_col_idx is not None: # Fuege das Update fuer die Version zur Liste hinzu updates.append({'range': f'{self.sheet_handler._get_col_letter(version_col_idx + 1)}{row_num_in_sheet}', 'values': [[getattr(Config, 'VERSION', 'unknown')]]}) # Block 1 Column Map else: self.logger.error("FEHLER: Spaltenschluessel 'Version' nicht in COLUMN_MAP gefunden.") # <<< GEÄNDERT # Tokens (AQ) - Hier ist die Zaehlung komplex, da mehrere OpenAI-Calls passiert sein koennten. # Eine einfache Loesung ist, die Token-Zahl der letzten relevanten Antwort zu speichern # oder die Token-Zahl der Prompts/Antworten waehrend des Laufs zu aggregieren. # Eine Aggregation in den einzelnen Schritten (Web Summary, Branch Eval etc.) waere genauer. # Wenn der Token-Count in den einzelnen OpenAI-Call-Methoden implementiert wird, # muss er dort gesammelt und dann HIER in _process_single_row ins Update eingefuegt werden. # Beispiel: Sie koennten ein Attribut self.current_row_token_count am Anfang von _process_single_row auf 0 setzen, # und in jeder Methode (call_openai_chat, summarize_batch_openai), die Token nutzt, diesen Zaehler erhoehen. # Dann hier: # tokens_col_idx = COLUMN_MAP.get("Tokens") # Block 1 Column Map # if tokens_col_idx is not None and hasattr(self, 'current_row_token_count') and self.current_row_token_count > 0: # updates.append({'range': f'{self.sheet_handler._get_col_letter(tokens_col_idx + 1)}{row_num_in_sheet}', 'values': [[str(self.current_row_token_count)]]}) # else: # logger.debug("Keine Tokens zu speichern fuer diese Zeile."); # Zu viel Laerm im Debug # if tokens_col_idx is None: self.logger.error("FEHLER: Spaltenschluessel 'Tokens' nicht in COLUMN_MAP gefunden."); # Block 1 Column Map pass # Token-Zaehlung Implementierung erfordert Aenderungen in OpenAI Helpers und _process_single_row Init. # --- 5b. ReEval Flag (A) loeschen (nur wenn im Re-Eval Modus und gewuenscht) --- # Dieses Update wird am Ende der _process_single_row Methode hinzugefuegt, # wenn der Aufruf aus process_reevaluation_rows (Block 25) mit clear_x_flag=True kam. if force_reeval and clear_x_flag: # Ermitteln Sie den Index der ReEval Flag Spalte reeval_col_idx = COLUMN_MAP.get("ReEval Flag") # Block 1 Column Map if reeval_col_idx is not None: # Ermitteln Sie den Spaltenbuchstaben flag_col_letter = self.sheet_handler._get_col_letter(reeval_col_idx + 1) if flag_col_letter: # Fuegen Sie das Update zum Loeschen des 'x'-Flags zur Liste hinzu. # Es wird nur geloescht, wenn die Zeile ansonsten erfolgreich bis hierhin kam und Updates gesammelt wurden. # Wenn eine schwere Exception in _process_single_row auftrat, wird dieser Block nicht erreicht. updates.append({'range': f'{flag_col_letter}{row_num_in_sheet}', 'values': [['']]}) self.logger.debug(f" -> Update zum Loeschen des ReEval-Flags (A{row_num_in_sheet}) vorgemerkt.") # <<< GEÄNDERT else: # Logge Fehler, wenn Spaltenbuchstaben nicht ermittelt werden konnten self.logger.error(f"FEHLER: Konnte Spaltenbuchstaben fuer 'ReEval Flag' ({reeval_col_idx+1}) nicht ermitteln. Flag kann nicht geloescht werden.") # <<< GEÄNDERT else: # Logge Fehler, wenn Spaltenindex fehlt self.logger.error("FEHLER: 'ReEval Flag' Spaltenindex nicht in COLUMN_MAP gefunden. Flag kann nicht geloescht werden.") # <<< GEÄNDERT # --- 6. Batch Update fuer diese Zeile --- # Fuehren Sie das Batch-Update fuer ALLE gesammelten Aenderungen dieser EINEN Zeile durch. if updates: # Info-Log ueber die Anzahl der Updates fuer diese spezifische Zeile self.logger.info(f"Zeile {row_num_in_sheet}: Sende Batch-Update mit {len(updates)} Operationen fuer diese Zeile...") # <<< GEÄNDERT # Rufe die batch_update_cells Methode des Sheet Handlers auf. # batch_update_cells ist mit retry_on_failure dekoriert und loggt intern. success = self.sheet_handler.batch_update_cells(updates) # Nutzt die uebergeordnete Instanz # Wenn der Batch-Update fehlschlaegt (nach Retries) if not success: # Logge einen Error self.logger.error(f"Zeile {row_num_in_sheet}: ENDGUELTIGER FEHLER beim Batch-Update nach Retries.") # <<< GEÄNDERT # Hier koennen Sie z.B. einen Fehlerindikator in eine spezielle Spalte schreiben # (Dieses Update muesste separat oder im naechsten Lauf behandelt werden) else: # Info-Log, wenn nichts zu tun war in dieser Zeile if not any_processing_done: self.logger.debug(f"Zeile {row_num_in_sheet}: Keine Updates zum Schreiben (alle relevanten Schritte uebersprungen oder nicht angefordert).") # <<< GEÄNDERT # else: # Dieser Fall sollte nicht eintreten, wenn updates nicht leer ist, aber any_processing_done True ist. # self.logger.warning(f"Zeile {row_num_in_sheet}: Updates Liste war leer, aber any_processing_done=True. Pruefen Sie die Logik.") # <<< GEÄNDERT # Kleine Pause nach der Verarbeitung jeder Zeile, um API-Limits zu respektieren # und die Belastung fuer das Google Sheet zu reduzieren. # Der Wert sollte in Config (Block 1) angepasst werden. Eine kurze Pause ist auch bei Batch-Modi sinnvoll, # wenn _process_single_row von dort aufgerufen wird (z.B. fuer Re-Eval). # Nutzt Config.RETRY_DELAY (Block 1), ggf. kuerzer. pause_duration = max(0.05, getattr(Config, 'RETRY_DELAY', 5) / 20.0) # Mindestens 50ms Wartezeit # self.logger.debug(f"Wartezeit nach Zeile {row_num_in_sheet}: {pause_duration:.2f}s") # Zu viel Laerm im Debug time.sleep(pause_duration) # Logge den Abschluss der Verarbeitung fuer diese Zeile self.logger.info(f"--- Verarbeitung fuer Zeile {row_num_in_sheet} abgeschlossen ---") # <<< GEÄNDERT # --- Ende der _process_single_row Methode --- # Die naechste Methode der DataProcessor Klasse folgt im naechsten Block. # Dies ist die process_rows_sequentially Methode (Block 24). # ========================================================================== # === Prozess Methoden (Sequentiell) ======================================= # ========================================================================== # --- Methode fuer sequentielle Verarbeitung (Modus full_run) --- # Diese Methode verarbeitet Zeilen einzeln, nacheinander, im Gegensatz zu Batch-Modi. # Sie ruft _process_single_row fuer jede Zeile im definierten Bereich auf. # Nutzt interne Helfer: _process_single_row, _get_cell_value_safe. # Nutzt globale Helfer: COLUMN_MAP, logger. # Nutzt die uebergeordnete sheet_handler Instanz. def process_rows_sequentially(self, start_sheet_row, num_to_process, process_wiki_steps=True, process_chatgpt_steps=True, process_website_steps=True, process_ml_steps=True, # Neues Flag fuer ML-Schritt # Fuegen Sie hier ggf. weitere boolsche Flags fuer andere Schrittgruppen hinzu force_reeval_in_single_row=False): # Optionale Steuerung fuer _process_single_row """ Verarbeitet eine feste Anzahl von Zeilen beginnend bei einer bestimmten Sheet-Zeilennummer sequentiell, eine nach der anderen, unter Verwendung von _process_single_row. Args: start_sheet_row (int): Die 1-basierte Zeilennummer im Sheet, ab der gestartet werden soll. num_to_process (int): Die maximale Anzahl der zu verarbeitenden Zeilen. process_wiki_steps (bool, optional): Soll der Wiki-Schritt in _process_single_row ausgefuehrt werden?. Defaults to True. process_chatgpt_steps (bool, optional): Sollen ChatGPT-Schritte in _process_single_row ausgefuehrt werden?. Defaults to True. process_website_steps (bool, optional): Soll der Website-Schritt in _process_single_row ausgefuehrt werden?. Defaults to True. process_ml_steps (bool, optional): Soll der ML-Schritt in _process_single_row ausgefuehrt werden?. Defaults to True. # Neues Flag # Fuegen Sie hier ggf. weitere boolsche Flags fuer andere Schrittgruppen hinzu. force_reeval_in_single_row (bool, optional): Wenn True, wird force_reeval=True in _process_single_row fuer alle verarbeiteten Zeilen in diesem Lauf gesetzt. Defaults to False. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar. header_rows = self.sheet_handler._header_rows # Pruefen Sie, ob num_to_process gueltig ist if num_to_process is None or not isinstance(num_to_process, int) or num_to_process <= 0: self.logger.info("Sequentielle Verarbeitung uebersprungen: num_to_process ist ungueltig oder <= 0.") # <<< GEÄNDERT return # Logge die Konfiguration des sequentiellen Laufs self.logger.info(f"Starte sequentielle Verarbeitung von {num_to_process} Zeilen ab Sheet-Zeile {start_sheet_row}...") # <<< GEÄNDERT # Logge die ausgewaehlten Schritte fuer diesen Lauf selected_steps_log = [] if process_wiki_steps: selected_steps_log.append("Wiki (wiki)") if process_chatgpt_steps: selected_steps_log.append("ChatGPT (chat)") if process_website_steps: selected_steps_log.append("Website (web)") if process_ml_steps: selected_steps_log.append("ML Predict (ml_predict)") # Neues Flag # Fuegen Sie hier weitere Schritte hinzu, wenn neue Flags existieren self.logger.info(f" Ausgewaehlte Schritte fuer sequentiellen Lauf: {', '.join(selected_steps_log) if selected_steps_log else 'Keine ausgewählt!'}") # <<< GEÄNDERT # Logge, ob force_reeval in _process_single_row gesetzt wird if force_reeval_in_single_row: self.logger.warning(" !!! force_reeval=True wird fuer alle Zeilen in _process_single_row gesetzt !!!") # <<< GEÄNDERT # Erstelle das Set der Schluessel fuer die Schritte, die an _process_single_row uebergeben werden steps_to_run_set = set() if process_wiki_steps: steps_to_run_set.add('wiki') if process_chatgpt_steps: steps_to_run_set.add('chat') # Annahme: 'chat' triggert alle ChatGPT Schritte in _process_single_row (Block 20) if process_website_steps: steps_to_run_set.add('web') if process_ml_steps: steps_to_run_set.add('ml_predict') # Neues Flag # Fuegen Sie hier weitere Schluessel hinzu, wenn neue Flags verwendet werden # Wenn keine Schritte ausgewaehlt wurden (trotz gueltigem num_to_process) if not steps_to_run_set: self.logger.warning("Keine Verarbeitungsschritte fuer sequentiellen Lauf ausgewaehlt (steps_to_run_set ist leer). Modus wird uebersprungen.") # <<< GEÄNDERT return # Lade Daten einmalig vor der Verarbeitung (nutzt die uebergeordnete Instanz) # Der load_data Aufruf ist mit retry_on_failure dekoriert. if not self.sheet_handler.load_data(): self.logger.error("Fehler beim Laden der Daten fuer sequentielle Verarbeitung.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) all_data = self.sheet_handler.get_all_data_with_headers() total_sheet_rows = len(all_data) # Berechnen Sie den tatsaechlichen Start-Index in der all_data Liste (0-basiert) start_index_in_all_data = start_sheet_row - 1 # Pruefen Sie, ob der angegebene Startindex gueltig ist if start_index_in_all_data >= total_sheet_rows: self.logger.warning(f"Start-Sheet-Zeile {start_sheet_row} (Index {start_index_in_all_data}) liegt ausserhalb der verfuegbaren Daten ({total_sheet_rows} Zeilen insgesamt). Keine Verarbeitung.") # <<< GEÄNDERT return # Beende die Methode, wenn der Startindex ungueltig ist if start_index_in_all_data < header_rows: # Wenn der Startindex innerhalb der Header liegt, beginnen Sie nach den Headern. self.logger.warning(f"Start-Sheet-Zeile {start_sheet_row} liegt innerhalb der Header-Zeilen ({header_rows} Header). Verarbeitung startet ab Sheet-Zeile {header_rows + 1}.") # <<< GEÄNDERT start_index_in_all_data = header_rows # Beginnen Sie direkt nach den Headern # Berechne den tatsaechlichen End-Index in der all_data Liste (exklusiv) # Der Endindex ist der Startindex + die Anzahl der zu verarbeitenden Zeilen. # Stellen Sie sicher, dass der Endindex die Gesamtanzahl der Zeilen nicht ueberschreitet. end_index_in_all_data = min(start_index_in_all_data + num_to_process, total_sheet_rows) # Logge den Bereich der tatsaechlich zu verarbeitenden Zeilen self.logger.info(f"Sequentielle Verarbeitung: Verarbeitungsbereich (0-basiert Index) [{start_index_in_all_data}, {end_index_in_all_data}). Entsprechende Sheet-Zeilen (1-basiert): {start_index_in_all_data + 1} bis {end_index_in_all_data}.") # <<< GEÄNDERT # Pruefen Sie, ob es ueberhaupt Zeilen im berechneten Bereich gibt if start_index_in_all_data >= end_index_in_all_data: self.logger.info(f"Berechneter Startindex ({start_index_in_all_data}) liegt bei oder nach dem berechneten Endindex ({end_index_in_all_data}). Keine Zeilen im definierten Bereich zu verarbeiten.") # <<< GEÄNDERT return # Beende die Methode, wenn der Bereich leer ist processed_count = 0 # Zaehlt Zeilen, fuer die _process_single_row aufgerufen wurde. # Iteriere ueber die Zeilen im definierten Bereich (0-basierter Index in all_data) for i in range(start_index_in_all_data, end_index_in_all_data): row_num_in_sheet = i + 1 # 1-basierte Zeilennummer im Sheet fuer _process_single_row row_data = all_data[i] # Tatsaechliche Zeilendaten aus der Gesamtliste (0-basierter Index) # Ueberspringen Sie Header-Zeilen explizit, falls der Startindex faelschlicherweise <= header_rows war if row_num_in_sheet <= header_rows: self.logger.debug(f"Ueberspringe Header-Zeile {row_num_in_sheet}.") # <<< GEÄNDERT continue # Springe zur naechsten Iteration # Stellen Sie sicher, dass die Zeile nicht leer ist oder nur aus leeren Strings besteht # Nutzt die interne Helferfunktion _get_cell_value_safe implizit durch Iteration oder prueft direkt # Eine einfache Pruefung: Ist irgendeine Zelle in der Zeile nicht leer oder None? if not any(cell and isinstance(cell, str) and cell.strip() for cell in row_data): self.logger.debug(f"Ueberspringe scheinbar leere Zeile {row_num_in_sheet}.") # <<< GEÄNDERT continue # Springe zur naechsten Iteration try: # Rufe die Methode zur Verarbeitung einer einzelnen Zeile auf. # _process_single_row wird intern die Timestamps pruefen (ausser wenn force_reeval=True). # Uebergeben Sie die ausgewaehlten Schritte und das force_reeval Flag. self._process_single_row( row_num_in_sheet = row_num_in_sheet, row_data = row_data, # Uebergibt die aktuellen Rohdaten der Zeile steps_to_run = steps_to_run_set, # <-- Uebergibt die aus CLI/Menue ausgewaehlten Schritte force_reeval = force_reeval_in_single_row, # <-- Steuert force_reeval in _process_single_row clear_x_flag = False # Im sequentiellen Lauf wird das 'x'-Flag normalerweise NICHT geloescht # (Dies wird nur im 'reeval' Modus (Block 25) benoetigt) ) # Zaehlen, wenn _process_single_row erfolgreich aufgerufen wurde (unabhaengig von internen Ueberspringungen in _process_single_row). processed_count += 1 except Exception as e_proc: # Wenn _process_single_row einen Fehler wirft (nachdem interne Retries aufgaben), # fangen wir ihn hier, loggen ihn und fahren mit der naechsten Zeile fort. self.logger.exception(f"FEHLER bei sequentieller Verarbeitung von Zeile {row_num_in_sheet}: {e_proc}") # <<< GEÄNDERT # Hier koennen Sie z.B. einen Fehlerindikator in eine spezielle Spalte im Sheet schreiben lassen. # Dieses Update muesste dann separat oder im naechsten Lauf behandelt werden. # _process_single_row beinhaltet bereits eine kleine Pause am Ende. # Hier ist keine zusaetzliche Pause noetig, wenn _process_single_row erfolgreich war. # Wenn _process_single_row eine Exception wirft, kann hier eine kurze Pause sinnvoll sein. # time.sleep(0.1) # Optional: Kurze Pause bei Fehler # Logge den Abschluss der sequentiellen Verarbeitung self.logger.info(f"Sequentielle Verarbeitung abgeschlossen. {processed_count} Zeilen im Bereich [{start_sheet_row}, {end_index_in_all_data}] bearbeitet.") # <<< GEÄNDERT # ============================================================================== # Ende DataProcessor Klasse Prozess: Sequenziell Block # ============================================================================== # ========================================================================== # === Prozess Methoden (Re-Evaluation) ===================================== # ========================================================================== # --- Methode fuer den Re-Eval Modus (Spalte A = 'x') --- # Diese Methode verarbeitet nur Zeilen, die in Spalte A mit 'x' markiert sind. # Sie ruft _process_single_row fuer jede dieser Zeilen auf mit force_reeval=True # und uebergibt die Auswahl der Schritte und das Flag zum Loeschen des 'x'-Flags. # Nutzt interne Helfer: _process_single_row, _get_cell_value_safe. # Nutzt globale Helfer: COLUMN_MAP, logger. # Nutzt die uebergeordnete sheet_handler Instanz. def process_reevaluation_rows(self, row_limit=None, clear_flag=True, process_wiki_steps=True, process_chatgpt_steps=True, process_website_steps=True, process_ml_steps=True # Neues Flag fuer ML-Schritt # Fuegen Sie hier ggf. weitere boolsche Flags fuer andere Schrittgruppen hinzu ): """ Verarbeitet nur Zeilen, die in Spalte A mit 'x' markiert sind. Ruft _process_single_row fuer jede dieser Zeilen auf mit force_reeval=True. Verarbeitet maximal row_limit Zeilen. Loescht optional das 'x'-Flag nach erfolgreicher Verarbeitung (innerhalb von _process_single_row). Erlaubt die Auswahl spezifischer Verarbeitungsschritte. Args: row_limit (int, optional): Maximale Anzahl zu verarbeitender Zeilen. Defaults to None (Unbegrenzt). clear_flag (bool, optional): Wenn True, wird das Flag 'x' in Spalte A nach erfolgreicher Verarbeitung durch _process_single_row geloescht. Defaults to True. process_wiki_steps (bool, optional): Soll der Wiki-Schritt in _process_single_row ausgefuehrt werden?. Defaults to True. process_chatgpt_steps (bool, optional): Sollen ChatGPT-Schritte in _process_single_row ausgefuehrt werden?. Defaults to True. process_website_steps (bool, optional): Soll der Website-Schritt in _process_single_row ausgefuehrt werden?. Defaults to True. process_ml_steps (bool, optional): Soll der ML-Schritt in _process_single_row ausgefuehrt werden?. Defaults to True. # Neues Flag # Fuegen Sie hier ggf. weitere boolsche Flags fuer andere Schrittgruppen hinzu. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Re-Eval Laufs self.logger.info(f"Starte Re-Evaluierungsmodus (Spalte A = 'x'). Max. Zeilen: {row_limit if row_limit is not None else 'Unbegrenzt'}") # <<< GEÄNDERT # Logge die ausgewaehlten Schritte fuer diesen Lauf selected_steps_log = [] if process_wiki_steps: selected_steps_log.append("Wiki (wiki)") if process_chatgpt_steps: selected_steps_log.append("ChatGPT (chat)") if process_website_steps: selected_steps_log.append("Website (web)") if process_ml_steps: selected_steps_log.append("ML Predict (ml_predict)") # Neues Flag # Fuegen Sie hier weitere Schritte hinzu, wenn neue Flags existieren self.logger.info(f"Ausgewaehlte Schritte fuer Re-Eval: {', '.join(selected_steps_log) if selected_steps_log else 'Keine ausgewählt!'}") # <<< GEÄNDERT # Erstelle das Set der Schluessel fuer die Schritte, die an _process_single_row uebergeben werden steps_to_run_set = set() if process_wiki_steps: steps_to_run_set.add('wiki') if process_chatgpt_steps: steps_to_run_set.add('chat') # Annahme: 'chat' triggert alle ChatGPT Schritte in _process_single_row (Block 20) if process_website_steps: steps_to_run_set.add('web') if process_ml_steps: steps_to_run_set.add('ml_predict') # Neues Flag # Fuegen Sie hier weitere Schluessel hinzu, wenn neue Flags verwendet werden # Wenn keine Schritte ausgewaehlt wurden if not steps_to_run_set: self.logger.warning("Keine Verarbeitungsschritte fuer Re-Eval ausgewaehlt (steps_to_run_set ist leer). Modus wird uebersprungen.") # <<< GEÄNDERT return # Daten neu laden vor der Verarbeitung (nutzt die uebergeordnete Instanz) # Der load_data Aufruf ist mit retry_on_failure dekoriert. if not self.sheet_handler.load_data(): self.logger.error("Fehler beim Laden der Daten fuer Re-Evaluation.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) all_data = self.sheet_handler.get_all_data_with_headers() # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar. header_rows = self.sheet_handler._header_rows # Wenn keine Daten da sind oder nur Header if not all_data or len(all_data) <= header_rows: self.logger.warning("Keine Datenzeilen fuer Re-Evaluation gefunden.") # <<< GEÄNDERT return # Beende die Methode # Ermitteln Sie den Index der ReEval Flag Spalte aus COLUMN_MAP (Block 1) reeval_col_idx = COLUMN_MAP.get("ReEval Flag") if reeval_col_idx is None: self.logger.critical("FEHLER: 'ReEval Flag' Spaltenindex nicht in COLUMN_MAP gefunden. Kann Zeilen mit 'x' nicht finden. Breche ab.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler # Sammeln Sie die Zeilen, die in Spalte A mit 'x' markiert sind. rows_to_process = [] # Liste von Dictionaries {'row_num': ..., 'data': ...} # Iteriere ueber die Datenzeilen (ab der ersten Datenzeile) for idx_in_list in range(header_rows, len(all_data)): row_data = all_data[idx_in_list] # Die Rohdaten fuer diese Zeile (0-basierter Index in all_data) row_num_in_sheet = idx_in_list + 1 # 1-basierte Zeilennummer im Sheet # Pruefen Sie sicher auf den Wert 'x' in Spalte A (nutzt interne Helfer) cell_a_value = self._get_cell_value_safe(row_data, "ReEval Flag").strip().lower() # Wenn die Zelle in Spalte A "x" ist if cell_a_value == "x": # Fuegen Sie die Zeilendaten zur Liste der zu verarbeitenden Zeilen hinzu rows_to_process.append({'row_num': row_num_in_sheet, 'data': row_data}) found_count = len(rows_to_process) # Anzahl der gefundenen markierten Zeilen self.logger.info(f"{found_count} Zeilen mit ReEval-Flag 'x' gefunden.") # <<< GEÄNDERT # Wenn keine Zeilen zum Verarbeiten markiert sind if found_count == 0: self.logger.info("Keine Zeilen zur Re-Evaluation markiert.") # <<< GEÄNDERT return # Beende die Methode # Verarbeitung der markierten Zeilen processed_count = 0 # Zaehlt Zeilen, fuer die _process_single_row aufgerufen wurde (im Rahmen des Limits). # Die Liste updates_clear_flag wird NICHT mehr hier gefuellt, da _process_single_row das Update selbst hinzufuegt (Block 21). # Die Liste rows_actually_processed wird nicht mehr benoetigt. # Iteriere ueber die gefundenen markierten Zeilen for task in rows_to_process: # Ueberpruefen Sie das Limit fuer die zu verarbeitenden Zeilen VOR der Verarbeitung if row_limit is not None and isinstance(row_limit, int) and row_limit > 0 and processed_count >= row_limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Zeilenlimit ({row_limit}) fuer Re-Evaluation erreicht. Breche weitere Verarbeitung ab.") # <<< GEÄNDERT break # Brich die Schleife ab row_num = task['row_num'] # 1-basierte Zeilennummer row_data = task['data'] # Die Rohdaten fuer diese Zeile self.logger.info(f"Bearbeite Re-Eval Zeile {row_num}...") # <<< GEÄNDERT try: # Rufe die Methode zur Verarbeitung einer einzelnen Zeile auf (_process_single_row Block 19). # In diesem Modus setzen wir immer force_reeval=True. # Wir uebergeben die aus CLI/Menue ausgewaehlten Schritte in steps_to_run_set. # Wir uebergeben das clear_flag, damit _process_single_row weiss, ob das 'x' geloescht werden soll. # _process_single_row fuehrt die Schritte durch, sammelt Updates (inkl. 'x'-Flag Update wenn clear_x_flag=True) # und sendet das Batch-Update fuer diese Zeile. self._process_single_row( row_num_in_sheet = row_num, row_data = row_data, steps_to_run = steps_to_run_set, # <-- Uebergibt die aus CLI/Menue ausgewaehlten Schritte force_reeval = True, # <-- Erzwingt Re-Evaluation unabhaengig von Timestamps fuer die ausgewaehlten Schritte clear_x_flag = clear_flag # <-- Uebergibt, ob das 'x'-Flag von _process_single_row geloescht werden soll ) # Zaehlen, wenn _process_single_row erfolgreich aufgerufen wurde (unabhaengig von internen Ueberspringungen in _process_single_row). processed_count += 1 # Die Liste rows_actually_processed wird nicht mehr benoetigt. except Exception as e_proc: # Wenn _process_single_row einen Fehler wirft (nachdem interne Retries aufgaben), # fangen wir ihn hier, loggen ihn und fahren mit der naechsten Zeile fort. # Das 'x'-Flag wird in diesem Fall NICHT geloescht, da _process_single_row nicht bis zum Ende kam. self.logger.exception(f"FEHLER bei Re-Evaluation von Zeile {row_num}: {e_proc}") # <<< GEÄNDERT # Hier koennen Sie z.B. einen Fehlerindikator in eine spezielle Spalte im Sheet schreiben lassen. # Dieses Update muesste dann separat oder im naechsten Lauf behandelt werden. # _process_single_row beinhaltet bereits eine kleine Pause am Ende. # Hier ist keine zusaetzliche Pause noetig nach der Zeilenverarbeitung. # Wenn _process_single_row eine Exception wirft, kann hier eine kurze Pause sinnvoll sein. # time.sleep(0.1) # Optional: Kurze Pause bei Fehler nach Exception # Der Codeblock zum Loeschen der gesammelten Updates (updates_clear_flag) am Ende wurde entfernt. # Logge den Abschluss des Re-Eval Modus self.logger.info(f"Re-Evaluierung abgeschlossen. {processed_count} Zeilen verarbeitet (Gefunden: {found_count}, Limit: {row_limit}).") # <<< GEÄNDERT # ============================================================================== # Ende DataProcessor Klasse Prozess: Re-Evaluation Block # ============================================================================== # ========================================================================== # === Batch Processing Methods ============================================= # ========================================================================== # --- Interne Hilfsfunktion fuer Wiki-Verifizierungs-Batch (OpenAI Call) --- # Diese Funktion verarbeitet einen Batch von Wikipedia-Verifizierungsanfragen ueber OpenAI. # Sie wird von process_verification_batch (dieselben Block) aufgerufen. # Nutzt globale Helfer: call_openai_chat (Block 8), logger, token_count (optional Block 3), retry_on_failure (Block 2), re. @retry_on_failure # Wende den Decorator auf den gesamten Batch-API Call an def _process_verification_openai_batch(self, batch_data): """ Verarbeitet einen Batch von Wikipedia-Verifizierungsanfragen ueber OpenAI. Sammelt die Ergebnisse und gibt sie zurueck. Aktualisiert NICHT das Sheet direkt. Args: batch_data (list): Liste von Dictionaries, jedes enthaelt: {'row_num': int, 'company_name': str, 'crm_desc': str, 'wiki_url': str, 'wiki_paragraph': str, 'wiki_categories': str} Returns: dict: Ein Dictionary, das Zeilennummern auf die rohe ChatGPT-Antwort mappt. z.B. {2122: "OK", 2123: "X | ..."} Bei Fehlern oder fehlenden Antworten wird ein Fehlerstring verwendet. Wirft Exception bei endgueltigen API-Fehlern nach Retries. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist if not batch_data: return {} # Gebe leeres Dictionary zurueck, wenn keine Tasks da sind self.logger.debug(f"Sende OpenAI-Batch fuer Wiki-Verifizierung ({len(batch_data)} Zeilen, Start: {batch_data[0]['row_num'] if batch_data else 'N/A'})...") # <<< GEÄNDERT # --- Prompt Erstellung --- # Verwenden Sie klare Anweisungen und das definierte Antwortformat. # Vermeiden Sie Umlaute im Prompt, um Encoding-Probleme zu minimieren. aggregated_prompt = ( "Du bist ein Experte in der Verifizierung von Wikipedia-Artikeln fuer Unternehmen. " "Fuer jeden der folgenden Eintraege pruefe, ob der vorhandene Wikipedia-Artikel (URL, Absatz, Kategorien) plausibel zum Firmennamen und zur Beschreibung passt. " "Gib das Ergebnis fuer jeden Eintrag ausschliesslich im folgenden Format auf einer neuen Zeile aus:\n" "Eintrag : \n\n" "Moegliche Antworten:\n" "- 'OK' (wenn der Artikel gut passt)\n" "- 'X | Alternativer Artikel: | Begruendung: ' (wenn der Artikel nicht passt, aber ein besserer gefunden wurde)\n" "- 'X | Kein passender Artikel gefunden | Begruendung: ' (wenn der Artikel nicht passt und kein besserer gefunden wurde)\n" # Der Fall "Kein Wikipedia-Eintrag vorhanden" wird vom Skript VOR diesem Call behandelt # und sollte hier nicht vom KI-Modell generiert werden. "Stelle sicher, dass du nur EINE Zeile pro Eintrag im Format 'Eintrag X: Antwort' ausgibst.\n\n" "Eintraege zur Pruefung:\n" "--------------------\n" ) # Fuegen Sie die Daten fuer jeden Eintrag im Batch hinzu. # Kuerzen Sie die Beschreibungen und Kategorien, um das Prompt-Limit zu reduzieren. # Stellen Sie sicher, dass die Werte Strings sind und "k.A." richtig behandelt wird. max_desc_length = 200 # Maximale Laenge fuer Beschreibungsteile im Prompt for item in batch_data: row_num = item['row_num'] # Holen und Kuerzen Sie die Werte sicher. Ersetzen Sie None durch "k.A.". company_name = str(item.get('company_name', 'k.A.')) crm_desc = str(item.get('crm_desc', 'k.A.')) wiki_url = str(item.get('wiki_url', 'k.A.')) wiki_paragraph = str(item.get('wiki_paragraph', 'k.A.')) wiki_categories = str(item.get('wiki_categories', 'k.A.')) # Kuerzen Sie die Laengen und fuegen Sie "..." hinzu, wenn gekuerzt wurde. crm_desc_short = crm_desc[:max_desc_length] + '...' if len(crm_desc) > max_desc_length else crm_desc wiki_paragraph_short = wiki_paragraph[:max_desc_length] + '...' if len(wiki_paragraph) > max_desc_length else wiki_paragraph wiki_categories_short = wiki_categories[:max_desc_length] + '...' if len(wiki_categories) > max_desc_length else wiki_categories entry_text = ( f"Eintrag {row_num}:\n" f" Firmenname: {company_name}\n" f" CRM-Beschreibung: {crm_desc_short}\n" f" Wikipedia-URL: {wiki_url}\n" f" Wiki-Absatz: {wiki_paragraph_short}\n" f" Wiki-Kategorien: {wiki_categories_short}\n" f"----\n" ) aggregated_prompt += entry_text # Fuegen Sie den Abschluss des Prompts hinzu. aggregated_prompt += "--------------------\nBitte nur die 'Eintrag X: Antwort'-Zeilen ausgeben." # Optional: Token zaehlen fuer den Prompt. # try: prompt_tokens = token_count(aggregated_prompt, model=getattr(Config, 'TOKEN_MODEL', 'gpt-3.5-turbo')); self.logger.debug(f"Geschaetzt Prompt-Tokens fuer Batch: {prompt_tokens}."); # except Exception as e_tc: self.logger.debug(f"Fehler beim Token-Zaehlen: {e_tc}"); # --- ChatGPT Aufruf --- # call_openai_chat (Block 8) nutzt den retry_on_failure Decorator und wirft bei endgueltigem Fehler eine Exception. # Der retry_on_failure Decorator auf dieser Funktion faengt die Exception # von call_openai_chat und fuehrt die Retries fuer die GESAMTE Batch-Funktion durch. chat_response = None try: # Rufe die zentrale OpenAI Chat API Funktion auf (Block 8). # Standard Temperatur 0.0 fuer Klassifizierung/Verifizierung. chat_response = call_openai_chat(aggregated_prompt, temperature=0.0) # Wenn call_openai_chat erfolgreich ist, gibt es den String zurueck. # Exceptions werden nach Retries von call_openai_chat geworfen und vom aeusseren retry_on_failure dieser Funktion gefangen. if not chat_response: # Dieser Fall sollte nach der Aenderung in call_openai_chat (wirft Exception) nicht mehr auftreten. self.logger.error("call_openai_chat gab unerwarteterweise None zurueck fuer Wiki-Verifizierungs-Batch.") # <<< GEÄNDERT # Werfen Sie eine spezifische Exception, damit der aeussere Decorator sie faengt. raise openai.error.APIError("Keine Antwort von OpenAI erhalten fuer Wiki-Verifizierungs-Batch.") except Exception as e: # Wenn call_openai_chat oder der aeussere retry_on_failure eine Exception wirft (nach Retries) # Die Exception wird hier gefangen, bevor sie an den Aufrufer (process_verification_batch) weitergeleitet wird. self.logger.error(f"Endgueltiger FEHLER beim OpenAI-Batch-Aufruf fuer Wiki-Verifizierung (innerhalb Batch Decorator): {e}") # <<< GEÄNDERT # Logge den Traceback self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT # Geben Sie ein Dictionary zurueck, das signalisiert, dass fuer alle Zeilen im Batch ein Fehler aufgetreten ist return {item['row_num']: f"FEHLER API: {str(e)[:100]}" for item in batch_data} # --- Antwort parsen --- answers = {} # Initialisieren Sie das Ergebnis-Dictionary # Liste der Zeilennummern, die im ursprünglichen Batch angefragt wurden original_batch_row_nums = {item['row_num'] for item in batch_data} lines = chat_response.strip().split('\n') parsed_count = 0 for line in lines: # Matcht "Eintrag :" und den Rest der Zeile match = re.match(r"Eintrag (\d+): (.*)", line.strip()) if match: row_num = int(match.group(1)) answer_text = match.group(2).strip() # Pruefen Sie, ob die Zeilennummer im urspruenglichen Batch angefragt wurde if row_num in original_batch_row_nums: answers[row_num] = answer_text parsed_count += 1 # else: self.logger.debug(f"Warnung: Antwort fuer unerwartete Zeilennummer {row_num} im Batch erhalten: {answer_text[:100]}...") # Zu viel Laerm (gekuerzt loggen) # Logge das Ergebnis des Parsens self.logger.debug(f"OpenAI-Batch-Antwort geparst: {parsed_count} von {len(original_batch_row_nums)} Zeilen erfolgreich zugeordnet.") # <<< GEÄNDERT # Fuegen Sie einen Fehlerwert fuer Zeilen hinzu, die nicht geparst werden konnten (z.B. falsches Antwortformat) if parsed_count < len(original_batch_row_nums): self.logger.warning(f"Nicht alle Zeilen aus dem Batch ({len(original_batch_row_nums)}) konnten in der OpenAI-Antwort ({len(lines)} Zeilen) geparst werden.") # <<< GEÄNDERT # Logge den Anfang der unvollstaendigen Antwort auf Debug self.logger.debug(f"Unerwartete Antwortteile (erste 500 Zeichen): {chat_response[:500]}") # <<< GEÄNDERT for row_num in original_batch_row_nums: if row_num not in answers: answers[row_num] = "FEHLER: Antwort nicht geparst" # Die 'answers' Dictionary enthaelt nun Ergebnisse fuer alle Zeilen, entweder geparst oder mit einem Fehlerstring. return answers # Rueckgabe des Dictionarys mit Ergebnissen oder Fehlern # --- Methode fuer den Wiki-Verifizierungs-Batchmodus (AX) --- # Diese Methode koordiniert die Auswahl der Zeilen, die Batch-Verarbeitung durch OpenAI, # und das Schreiben der Ergebnisse (S, T, U, V-Y, AX, AP) ins Sheet. # Basierend auf process_verification_only und _process_batch aus Teil 8. # Nutzt interne Helfer: _get_cell_value_safe, _get_col_letter, _process_verification_openai_batch (derselben Block). # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, Config (Block 1), datetime, time. # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_verification_batch(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ Batch-Prozess nur fuer Wikipedia-Verifizierung (Spalten S-U, V-Y werden geleert). Laedt Daten neu, prueft fuer jede Zeile im Bereich, ob Timestamp AX (Wiki Verif.) bereits gesetzt ist, ob eine Wiki URL (M) vorhanden ist und ob Status S nicht bereits 'OK', 'X (URL Copied)' oder 'X (Invalid Suggestion)' ist. Setzt AX + AP fuer bearbeitete Zeilen und schreibt S-U in Batches. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (automatische Ermittlung basierend auf leeren AX). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU VERARBEITENDER (nicht uebersprungener) Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Batch-Laufs self.logger.info(f"Starte Wikipedia-Verifizierungsmodus (Batch S-U, AX). Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # <<< GEÄNDERT # --- Daten laden und Startzeile ermitteln --- # Automatische Ermittlung der Startzeile, wenn nicht manuell gesetzt if start_sheet_row is None: self.logger.info("Automatische Ermittlung der Startzeile basierend auf leeren AX...") # <<< GEÄNDERT # Nutzt get_start_row_index des Sheet Handlers (Block 14). Prueft auf leeren AX (Block 1 Column Map). # Standardmaessig ab Zeile 7 start_data_index_no_header = self.sheet_handler.get_start_row_index(check_column_key="Wiki Verif. Timestamp", min_sheet_row=7) # Wenn get_start_row_index -1 zurueckgibt (Fehler) if start_data_index_no_header == -1: self.logger.error("FEHLER bei automatischer Ermittlung der Startzeile. Breche Batch ab.") # <<< GEÄNDERT return # Beende die Methode # Berechne die 1-basierte Sheet-Startzeile aus dem 0-basierten Daten-Index start_sheet_row = start_data_index_no_header + self.sheet_handler._header_rows + 1 # Block 14 SheetHandler Attribut self.logger.info(f"Automatisch ermittelte Startzeile (erste leere AX Zelle): {start_sheet_row}") # <<< GEÄNDERT else: # Wenn start_sheet_row manuell gesetzt wurde, laden Sie die Daten trotzdem neu, um aktuell zu sein. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("FEHLER beim Laden der Daten fuer process_verification_batch.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers() # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den verarbeitungsbereich self.logger.info(f"Verarbeitungsbereich: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # <<< GEÄNDERT # Pruefe, ob der Bereich gueltig ist (Start <= Ende und Start nicht ueber Gesamtzeilen) if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") # <<< GEÄNDERT return # Beende die Methode, wenn der Bereich leer ist # --- Indizes und Buchstaben --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = [ "Wiki Verif. Timestamp", "Wiki URL", "Chat Wiki Konsistenzpruefung", # Pruefkriterien / Timestamp (AX, M, S) "CRM Name", "CRM Beschreibung", "Wiki Absatz", "Wiki Kategorien", # Daten fuer Prompt (B, F, N, R) "Chat Begruendung Wiki Inkonsistenz", "Chat Vorschlag Wiki Artikel", # Ergebnisspalten (T, U) "Begruendung bei Abweichung", "Chat Begruendung Abweichung Branche", # Spalten V-Y zum Leeren "Wikipedia Timestamp", "Timestamp letzte Pruefung", # Spalten AN, AO zum Leeren "Version", "SerpAPI Wiki Search Timestamp" # Spalten AP, AY zum Leeren ] # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer process_verification_batch: {missing}. Breche ab.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Spaltenbuchstaben fuer Updates und Leerung (nutzt interne Helfer _get_col_letter Block 14) ts_ax_letter = self.sheet_handler._get_col_letter(col_indices["Wiki Verif. Timestamp"] + 1) # Timestamp zu setzen (AX) s_letter = self.sheet_handler._get_col_letter(col_indices["Chat Wiki Konsistenzpruefung"] + 1) # Status S t_letter = self.sheet_handler._get_col_letter(col_indices["Chat Begruendung Wiki Inkonsistenz"] + 1) # Begruendung T u_letter = self.sheet_handler._get_col_letter(col_indices["Chat Vorschlag Wiki Artikel"] + 1) # Vorschlag U # Spalten V-Y leeren (werden in diesem Modus nicht neu befuellt). # V ist Begruendung bei Abweichung (von Wiki-URL Pruefung CRM vs Wiki). # Y ist Begruendung Abweichung Branche (von Chat). v_idx = col_indices["Begruendung bei Abweichung"] y_idx = col_indices["Chat Begruendung Abweichung Branche"] # Block 1 Column Map # Erstellen Sie den Bereichsnamen (z.B. "V:Y") v_letter = self.sheet_handler._get_col_letter(v_idx + 1) y_letter = self.sheet_handler._get_col_letter(y_idx + 1) v_y_range_letter = f'{v_letter}:{y_letter}' # z.B. V:Y # Erstellen Sie eine Liste von leeren Strings fuer diesen Bereich empty_vy_values = [''] * (y_idx - v_idx + 1) # Anzahl der Spalten = Y_Index - V_Index + 1 # Timestamps AN, AO, AP, AY leeren. # Diese werden von anderen Schritten gesetzt und sollen hier zurueckgesetzt werden, # um sicherzustellen, dass die Zeile bei Bedarf von diesen anderen Schritten erneut bearbeitet wird. an_letter = self.sheet_handler._get_col_letter(col_indices["Wikipedia Timestamp"] + 1) # AN (Wiki Extraction TS) ao_letter = self.sheet_handler._get_col_letter(col_indices["Timestamp letzte Pruefung"] + 1) # AO (Chat Evaluation TS) ap_letter = self.sheet_handler._get_col_letter(col_indices["Version"] + 1) # AP (Version) ay_letter = self.sheet_handler._get_col_letter(col_indices["SerpAPI Wiki Search Timestamp"] + 1) # AY (SerpAPI Wiki TS) # --- Verarbeitung --- # Holen Sie die Batch-Groesse fuer OpenAI-Aufrufe aus Config (Block 1) openai_batch_size = getattr(Config, 'PROCESSING_BATCH_SIZE', 20) # Nutzt dieselbe Batch-Groesse wie Scraping/Summarization # Holen Sie die Batch-Groesse fuer Sheet-Updates aus Config (Block 1) update_batch_row_limit = getattr(Config, 'UPDATE_BATCH_ROW_LIMIT', 50) current_openai_batch_data = [] # Daten fuer den aktuellen OpenAI Batch (Liste von Dicts) rows_in_current_openai_batch = [] # 1-basierte Zeilennummern im aktuellen OpenAI Batch all_sheet_updates = [] # Gesammelte Updates fuer Batch-Schreiben ins Sheet (Liste von Dicts) processed_count = 0 # Zaehlt Zeilen, die fuer die Verarbeitung in Frage kommen und in den Batch aufgenommen werden (im Rahmen des Limits). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen wurden (wegen Status, fehlender Daten etc.). skipped_no_wiki_url = 0 # Zaehlt Zeilen, die speziell wegen fehlender M-URL uebersprungen wurden. # Iteriere ueber die Sheet-Zeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist (mindestens Name vorhanden) # Nutzt interne Helfer _get_cell_value_safe company_name = self._get_cell_value_safe(row, "CRM Name").strip() # Block 1 Column Map if not company_name: self.logger.debug(f"Zeile {i}: Uebersprungen (Kein Firmenname in Spalte B).") # <<< GEÄNDERT skipped_count += 1 # Zaehlen als uebersprungen continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Wiki Verif. Timestamp (AX) ist leer # UND Wiki URL (M) ist gefuellt und gueltig aussehend (nicht k.A., Fehler etc.) # UND Status S ist NICHT bereits in einem Endzustand (OK, X (UPDATED/COPIED/INVALID)). # Holen Sie die Werte aus den entsprechenden Spalten (nutzt interne Helfer) ax_value = self._get_cell_value_safe(row, "Wiki Verif. Timestamp").strip() # Block 1 Column Map m_value = self._get_cell_value_safe(row, "Wiki URL").strip() # Block 1 Column Map s_value_upper = self._get_cell_value_safe(row, "Chat Wiki Konsistenzpruefung").strip().upper() # Block 1 Column Map # Pruefen Sie, ob die Wiki URL (M) gueltig aussieht is_wiki_url_valid_looking = m_value and isinstance(m_value, str) and "wikipedia.org/wiki/" in m_value.lower() and m_value.lower() not in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"] # Fuege "http:" hinzu basierend auf Log # Definieren Sie die Endzustaende von Status S (Grossbuchstaben) s_end_states = ["OK", "X (UPDATED)", "X (URL COPIED)", "X (INVALID SUGGESTION)"] # Pruefen Sie, ob Status S in einem Endzustand ist is_s_in_endstate = s_value_upper in s_end_states # Bugfix: Korrekte Zuweisung # Verarbeitung ist noetig, wenn AX leer UND M gefuellt/gueltig aussieht UND S NICHT im Endzustand ist. processing_needed_for_row = not ax_value and is_wiki_url_valid_looking and not is_s_in_endstate # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: self.logger.debug(f"Zeile {i} ({company_name[:50]}... Wiki Verif. Check): AX leer? {not ax_value}, M gueltig? {is_wiki_url_valid_looking}, S ('{s_value_upper}') Endzustand? {is_s_in_endstate}. Benötigt Verarbeitung? {processing_needed_for_row}") # <<< GEÄNDERT # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile # Zaehlen Sie separat, wenn die Zeile speziell wegen fehlender M-URL uebersprungen wurde if not is_wiki_url_valid_looking: skipped_no_wiki_url += 1 continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Fuege zur Batch-Liste fuer OpenAI hinzu --- processed_count += 1 # Zaehle die Zeile, die fuer die Verarbeitung in Frage kommt (im Rahmen des Limits zaehlen) # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer process_verification_batch erreicht. Breche weitere Zeilenpruefung ab.") # <<< GEÄNDERT break # Brich die Schleife ab # Sammle die benoetigten Daten fuer den OpenAI Prompt (Block 26 - _process_verification_openai_batch). # Diese Daten werden in einem Dictionary fuer den Batch gesammelt. crm_desc = self._get_cell_value_safe(row, "CRM Beschreibung") # Block 1 Column Map wiki_paragraph = self._get_cell_value_safe(row, "Wiki Absatz") # Block 1 Column Map wiki_categories = self._get_cell_value_safe(row, "Wiki Kategorien") # Block 1 Column Map # Fuege die Daten dieser Zeile zur aktuellen Batch-Liste fuer OpenAI hinzu current_openai_batch_data.append({ 'row_num': i, # Die 1-basierte Sheet-Zeilennummer 'company_name': company_name, # Nutzt den initial geladenen Namen 'crm_desc': crm_desc, 'wiki_url': m_value, # Nutzt die M-URL aus dem Sheet 'wiki_paragraph': wiki_paragraph, 'wiki_categories': wiki_categories }) # Fuege die Zeilennummer zur Liste der Zeilennummern im Batch hinzu rows_in_current_openai_batch.append(i) # --- Verarbeite den Batch, wenn voll --- # Pruefe, ob die aktuelle Batch-Liste die definierte Groesse erreicht hat. # openai_batch_size wird aus Config geholt (Block 1). if len(current_openai_batch_data) >= openai_batch_size: # Logge den Start der Batch-Verarbeitung batch_start_row = current_openai_batch_data[0]['row_num'] batch_end_row = current_openai_batch_data[-1]['row_num'] self.logger.debug(f"\n--- Starte Wiki-Verifizierungs-Batch ({len(current_openai_batch_data)} Tasks, Zeilen {batch_start_row}-{batch_end_row}) ---") # <<< GEÄNDERT # Rufe die interne Methode auf, die den OpenAI Call fuer den Batch macht. # _process_verification_openai_batch (Block 26) ist mit retry_on_failure dekoriert. # Wenn _process_verification_openai_batch eine Exception wirft (nach Retries), wird diese hier gefangen. batch_results = self._process_verification_openai_batch(current_openai_batch_data) # Ergebnisse sollten ein Dictionary {row_num: raw_chatgpt_answer} sein, auch bei Fehlern. # Sammle Sheet Updates basierend auf den Batch-Ergebnissen. # Setze immer den Timestamp AX und die Werte in S, T, U und V-Y. # Der aktuelle Zeitstempel fuer den Batch current_batch_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") batch_sheet_updates = [] # Updates fuer DIESEN spezifischen Batch von Zeilen # Iteriere ueber die Zeilennummern, die in DIESEM OpenAI Batch waren for row_num in rows_in_current_openai_batch: # Hole das Ergebnis fuer diese Zeile aus dem Ergebnis-Dictionary. # Fallback auf einen Fehlerstring, wenn das Ergebnis fehlt (sollte nicht passieren, wenn _process_verification_openai_batch korrekt ist). answer = batch_results.get(row_num, "FEHLER: Batch-Ergebnis fehlt") # self.logger.debug(f"Zeile {row_num} Verifizierungsantwort: '{answer[:100]}...'") # Zu viel Laerm (gekuerzt) # Logik zur Bestimmung der Werte fuer S, T, U basierend auf 'answer' (aehnlich wie in altem _process_batch) wiki_confirm, alt_article, wiki_explanation = "", "", "" # Initialisiere mit leeren Strings # Pruefe auf Standard-Antworten und Fehler-Antworten if isinstance(answer, str) and answer.upper() == "OK": wiki_confirm = "OK" wiki_explanation = "Passt laut KI zur Firma." # Standard Begruendung bei OK elif isinstance(answer, str) and answer.startswith("X |"): # Parse die Antwort im Format "X | | " parts = answer.split("|", 2) # Teile maximal in 3 Teile wiki_confirm = "X" # Status ist X if len(parts) > 1: detail = parts[1].strip() # Zweiter Teil ist Detail (Alternative URL oder "Kein passender Artikel gefunden") if detail.lower().startswith("alternativer artikel:"): alt_article = detail.split(":", 1)[1].strip() # Extrahiere URL elif detail.lower() == "kein passender artikel gefunden": alt_article = detail # Text "Kein passender Artikel gefunden" else: alt_article = detail # Unbekanntes Detail if len(parts) > 2: reason_part = parts[2].strip() # Dritter Teil ist Begruendung if reason_part.lower().startswith("begruendung:"): wiki_explanation = reason_part.split(":", 1)[1].strip() # Extrahiere Begruendungstext else: wiki_explanation = reason_part # Unbekannte Begruendung # Fuege ggf. den rohen Antworttext zur Begruendung hinzu, wenn Parsing unvollstaendig war if not alt_article or not wiki_explanation: wiki_explanation += f" (Rohantwort: {answer[:100]}...)" elif isinstance(answer, str) and answer.startswith("FEHLER"): # Wenn die Batch-Verarbeitung einen Fehler zurueckgegeben hat wiki_confirm = "FEHLER" wiki_explanation = answer # Fehlermeldung in Begruendung schreiben alt_article = "Siehe Begruendung" # Verweis auf Begruendung else: # Unerwartetes Format der Antwort (weder OK noch X | noch FEHLER) wiki_confirm = "?" # Setze Status auf unbekannt wiki_explanation = f"Unerwartetes Format: {str(answer)[:100]}..." # Speichere Anfang der Antwort in Begruendung (gekuerzt) alt_article = "Siehe Begruendung" # Verweis auf Begruendung # Spalten V-Y (Begruendung bei Abweichung etc.) werden in diesem Modus geleert # Fuer jede Zeile im Batch fuegen wir das Update hinzu. # empty_vy_values wurde oben vorbereitet. v_y_values = empty_vy_values # Liste von leeren Strings # Fuege Update zum Leeren von V-Y hinzu, falls Index gefunden wurde if v_y_range_letter: # Pruefe, ob der Bereichsname ermittelt werden konnte batch_sheet_updates.append({'range': f'{v_letter}{row_num}:{y_letter}{row_num}', 'values': [v_y_values]}) # Block 1 Column Map, interne Helfer # Fuege Updates fuer S, T, U und AX hinzu (nutzt interne Helfer) batch_sheet_updates.append({'range': f'{s_letter}{row_num}', 'values': [[wiki_confirm]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{t_letter}{row_num}', 'values': [[alt_article]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{u_letter}{row_num}', 'values': [[wiki_explanation]]}) # Block 1 Column Map # Setze AX Timestamp fuer diese Zeile batch_sheet_updates.append({'range': f'{ts_ax_letter}{row_num}', 'values': [[current_batch_timestamp]]}) # Block 1 Column Map # --- Sende gesammelte Updates fuer diesen Batch --- # Sammle die Updates fuer diesen Batch in der globalen Liste. # all_sheet_updates.extend(batch_sheet_updates) # Nicht hier sammeln, sondern direkt senden # Sende die gesammelten Updates fuer DIESEN Batch sofort. if batch_sheet_updates: self.logger.debug(f" Sende Sheet-Update fuer {len(rows_in_current_openai_batch)} Zeilen ({len(batch_sheet_updates)} Zellen) dieses Batches...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. # Wenn es fehlschlaegt, wird es intern geloggt. success = self.sheet_handler.batch_update_cells(batch_sheet_updates) if success: self.logger.info(f" Sheet-Update fuer Wiki-Verifizierungs-Batch Zeilen {batch_start_row}-{batch_end_row} erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Setze Batch-Listen zurueck fuer die naechste Iteration current_openai_batch_data = [] rows_in_current_openai_batch = [] # Pause nach jedem OpenAI Batch (nutzt Config Block 1). # Dies ist wichtig, um Rate Limits zu vermeiden. # Nutze Config.RETRY_DELAY, ggf. kuerzer, da es ein Batch war pause_duration = getattr(Config, 'RETRY_DELAY', 5) * 0.5 # 50% der Retry-Wartezeit self.logger.debug(f"--- Batch Zeilen {batch_start_row}-{batch_end_row} abgeschlossen. Warte {pause_duration:.2f}s vor naechstem Batch ---") # <<< GEÄNDERT time.sleep(pause_duration) # --- Verarbeitung des letzten unvollstaendigen Batches nach der Schleife --- # Wenn nach der Hauptschleife noch Tasks in der Batch-Liste sind if current_openai_batch_data: # Logge den Start des finalen Batches batch_start_row = current_openai_batch_data[0]['row_num'] batch_end_row = current_openai_batch_data[-1]['row_num'] self.logger.debug(f"\n--- Starte FINALEN Wiki-Verifizierungs-Batch ({len(current_openai_batch_data)} Tasks, Zeilen {batch_start_row}-{batch_end_row}) ---") # <<< GEÄNDERT # Rufe die interne Methode auf, die den OpenAI Call macht batch_results = self._process_verification_openai_batch(current_openai_batch_data) # Ergebnisse sollten ein Dictionary {row_num: raw_chatgpt_answer} sein, auch bei Fehlern. # Sammle Sheet Updates (S, T, U, V-Y, AX) fuer diesen finalen Batch current_batch_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") batch_sheet_updates = [] # Updates fuer DIESEN spezifischen Batch von Zeilen # Iteriere ueber die Zeilennummern, die in DIESEM finalen OpenAI Batch waren for row_num in rows_in_current_openai_batch: # Hole das Ergebnis fuer diese Zeile aus dem Ergebnis-Dictionary. answer = batch_results.get(row_num, "FEHLER: Batch-Ergebnis fehlt") # Fallback # Logik zur Bestimmung der Werte fuer S, T, U basierend auf 'answer' wiki_confirm, alt_article, wiki_explanation = "", "", "" # Leere V-Y Spalten v_y_values = empty_vy_values # Liste von leeren Strings if isinstance(answer, str) and answer.upper() == "OK": wiki_confirm = "OK"; wiki_explanation = "Passt laut KI zur Firma." elif isinstance(answer, str) and answer.startswith("X |"): parts = answer.split("|", 2); wiki_confirm = "X" if len(parts) > 1: detail = parts[1].strip(); alt_article = detail.split(":", 1)[1].strip() if detail.lower().startswith("alternativer artikel:") else detail if len(parts) > 2: reason_part = parts[2].strip(); wiki_explanation = reason_part.split(":", 1)[1].strip() if reason_part.lower().startswith("begruendung:") else reason_part if not alt_article or not wiki_explanation: wiki_explanation += f" (Rohantwort: {answer[:100]}...)" elif isinstance(answer, str) and answer.startswith("FEHLER"): wiki_confirm = "FEHLER"; wiki_explanation = answer; alt_article = "Siehe Begruendung" else: wiki_confirm = "?"; wiki_explanation = f"Unerwartetes Format: {str(answer)[:100]}..."; alt_article = "Siehe Begruendung" # Fuege Updates fuer S, T, U und AX hinzu batch_sheet_updates.append({'range': f'{s_letter}{row_num}', 'values': [[wiki_confirm]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{t_letter}{row_num}', 'values': [[alt_article]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{u_letter}{row_num}', 'values': [[wiki_explanation]]}) # Block 1 Column Map # Setze AX Timestamp batch_sheet_updates.append({'range': f'{ts_ax_letter}{row_num}', 'values': [[current_batch_timestamp]]}) # Block 1 Column Map # Fuege Update zum Leeren von V-Y hinzu, falls Index gefunden wurde if v_y_range_letter: batch_sheet_updates.append({'range': f'{v_letter}{row_num}:{y_letter}{row_num}', 'values': [v_y_values]}) # Block 1 Column Map, interne Helfer # Sende die gesammelten Updates fuer DIESEN finalen Batch. if batch_sheet_updates: self.logger.debug(f" Sende FINALES Sheet-Update fuer {len(rows_in_current_openai_batch)} Zeilen ({len(batch_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. success = self.sheet_handler.batch_update_cells(batch_sheet_updates) if success: self.logger.info(f" FINALES Sheet-Update fuer Wiki-Verifizierungs-Batch erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Logge den Abschluss des Modus self.logger.info(f"Wikipedia-Verifizierungs-Batch abgeschlossen. {processed_count} Zeilen verarbeitet (in Batch aufgenommen), {skipped_count} Zeilen uebersprungen ({skipped_no_wiki_url} wegen fehlender M-URL).") # <<< GEÄNDERT # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # ============================================================================== # Ende DataProcessor Klasse Batch: Wiki Verification Block # ============================================================================== # ========================================================================== # === Batch Processing Methods ============================================= # ========================================================================== # --- Worker Funktion für paralleles Website Scraping (intern) --- # Wird von process_website_scraping_batch aufgerufen def _scrape_raw_text_task(self, task_info, get_website_raw_func): """ Scrapt den Rohtext einer Website in einem separaten Thread. Wird vom ThreadPoolExecutor in process_website_scraping_batch aufgerufen. Nutzt die uebergebene Funktion zum Abrufen des Rohtexts. Args: task_info (dict): Enthält {'row_num': int, 'url': str}. get_website_raw_func (function): Die Funktion zum Abrufen des Website-Rohtexts (sollte die globale get_website_raw sein). Returns: dict: Enthält {'row_num': int, 'raw_text': str, 'error': str}. """ # Logger für diese Funktion holen (da sie in einem Thread läuft) logger = logging.getLogger(__name__ + ".scrape_worker") row_num = task_info['row_num'] url = task_info['url'] raw_text = "k.A." error = None try: # RUFT die uebergebene Funktion zum Abrufen des Rohtexts auf. # Der retry_on_failure Decorator auf get_website_raw_func (der hoffentlich get_website_raw ist) # behandelt Retries und die meisten Fehler. raw_text = get_website_raw_func(url) # <<< Ruft die uebergebene Funktion auf # Wenn die Funktion einen Fehler loggt und einen Fehlerstring im Ergebnis zurueckgibt, # wird dies hier als Fehler im Task markiert. if isinstance(raw_text, str) and (raw_text.startswith("k.A. (Fehler") or raw_text.startswith("FEHLER:")): error = f"Scraping Fehler (Details im Rohtext): {raw_text[:100]}..." # Der Fehler wurde bereits in get_website_raw geloggt, kein weiteres Logging hier noetig. # Das raw_text selbst enthaelt den Fehlerstring. elif not isinstance(raw_text, str) or not raw_text.strip(): # Wenn die Funktion keinen String oder einen leeren String zurueckgibt error = "Scraping Task Fehler: Funktion gab keinen gueltigen String zurueck." raw_text = "k.A. (Extraktion fehlgeschlagen)" # Standard-Fehlerwert except Exception as e: # Dieser Block sollte jetzt sehr selten erreicht werden, da die uebergegebene Funktion # mit retry_on_failure die meisten Fehler abfangen sollte. # Wenn eine Exception hier durchkommt, ist es ein sehr unerwarteter Fehler im Task-Handling selbst. error = f"Unerwarteter Fehler im Scraping Task Zeile {row_num} ({url[:100]}): {type(e).__name__} - {e}" # Gekuerzt loggen logger.error(error) # Loggen Sie diesen unerwarteten Fehler raw_text = "k.A. (Unerwarteter Fehler Task)" # Setze einen spezifischen Fehlerwert # logger.debug(f"Scraping Task Zeile {row_num} abgeschlossen. Textlaenge: {len(str(raw_text))}.") # Zu viel Laerm im Debug return {"row_num": row_num, "raw_text": raw_text, "error": error} # --- Methode fuer den Website-Scraping-Batchmodus (AR) --- # Diese Methode verarbeitet Zeilen, bei denen AR leer ist, um den Rohtext zu scrapen. # Sie nutzt einen ThreadPoolExecutor und ruft die interne Worker-Funktion auf. # Basierend auf process_website_batch aus Teil 9. # Nutzt interne Helfer: _get_cell_value_safe, _get_col_letter, _scrape_raw_text_task. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, Config (Block 1), datetime, time, # concurrent.futures, get_website_raw (Block 11). # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_website_scraping_batch(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ Batch-Prozess NUR fuer Website-Scraping (Rohtext AR). Laedt Daten neu, prueft Spalte AR auf Inhalt ('', 'k.A.', etc.) und ueberspringt Zeilen mit Inhalt. Setzt AR + AT + AP fuer bearbeitete Zeilen. Sendet Updates gebuendelt. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (automatische Ermittlung basierend auf leeren AT). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU VERARBEITENDER (nicht uebersprungener) Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Batch-Laufs self.logger.info(f"Starte Website-Scraping (Batch AR, AT, AP). Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # <<< GEÄNDERT # --- Daten laden und Startzeile ermitteln --- # Automatische Ermittlung der Startzeile, wenn nicht manuell gesetzt if start_sheet_row is None: self.logger.info("Automatische Ermittlung der Startzeile basierend auf leeren AT...") # <<< GEÄNDERT # Nutzt get_start_row_index des Sheet Handlers (Block 14). Prueft auf leeren AT (Block 1 Column Map). # Standardmaessig ab Zeile 7 start_data_index_no_header = self.sheet_handler.get_start_row_index(check_column_key="Website Scrape Timestamp", min_sheet_row=7) # Wenn get_start_row_index -1 zurueckgibt (Fehler) if start_data_index_no_header == -1: self.logger.error("FEHLER bei automatischer Ermittlung der Startzeile. Breche Batch ab.") # <<< GEÄNDERT return # Beende die Methode # Berechne die 1-basierte Sheet-Startzeile aus dem 0-basierten Daten-Index start_sheet_row = start_data_index_no_header + self.sheet_handler._header_rows + 1 # Block 14 SheetHandler Attribut self.logger.info(f"Automatisch ermittelte Startzeile (erste leere AT Zelle): {start_sheet_row}") # <<< GEÄNDERT else: # Wenn start_sheet_row manuell gesetzt wurde, laden Sie die Daten trotzdem neu, um aktuell zu sein. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("FEHLER beim Laden der Daten fuer process_website_scraping_batch.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers() # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den verarbeitungsbereich self.logger.info(f"Verarbeitungsbereich: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # <<< GEÄNDERT # Pruefe, ob der Bereich gueltig ist (Start <= Ende und Start nicht ueber Gesamtzeilen) if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") # <<< GEÄNDERT return # Beende die Methode, wenn der Bereich leer ist # --- Indizes und Buchstaben --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = [ "Website Rohtext", "CRM Website", "Version", "Website Scrape Timestamp", "CRM Name" # AR, D, AP, AT, B ] # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer process_website_scraping_batch: {missing}. Breche ab.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Indizes und Buchstaben fuer Updates (AR, AT, AP) rohtext_col_idx = col_indices["Website Rohtext"] website_col_idx = col_indices["CRM Website"] version_col_idx = col_indices["Version"] timestamp_col_idx = col_indices["Website Scrape Timestamp"] name_col_idx = col_indices["CRM Name"] rohtext_col_letter = self.sheet_handler._get_col_letter(rohtext_col_idx + 1) # Block 14 _get_col_letter version_col_letter = self.sheet_handler._get_col_letter(version_col_idx + 1) timestamp_col_letter = self.sheet_handler._get_col_letter(timestamp_col_idx + 1) # --- Hauptlogik: Iteriere und sammle Batches --- # Holen Sie die Batch-Groesse fuer Verarbeitung (Threading) aus Config (Block 1) processing_batch_size = getattr(Config, 'PROCESSING_BATCH_SIZE', 20) # Holen Sie die maximale Anzahl Worker aus Config (Block 1) max_scraping_workers = getattr(Config, 'MAX_SCRAPING_WORKERS', 10) # Holen Sie die Batch-Groesse fuer Sheet-Updates aus Config (Block 1) update_batch_row_limit = getattr(Config, 'UPDATE_BATCH_ROW_LIMIT', 50) tasks_for_processing_batch = [] # Tasks fuer den aktuellen Scraping-Batch (Liste von Dicts) rows_in_current_scraping_batch = [] # 1-basierte Zeilennummern im aktuellen Batch all_sheet_updates = [] # Gesammelte Updates fuer Batch-Schreiben ins Sheet (Liste von Dicts) processed_count = 0 # Zaehlt Zeilen, die fuer die Verarbeitung in Frage kommen und in den Batch aufgenommen werden (im Rahmen des Limits). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen wurden (wegen Inhalt oder fehlender URL). skipped_no_url = 0 # Zaehlt Zeilen, die speziell wegen fehlender URL uebersprungen wurden. # Iteriere ueber die Sheet-Zeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungen continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Website Rohtext (AR) ist leer oder ein Standard-Fehlerwert. # UND Website URL (D) ist vorhanden und gueltig aussehend. # Holen Sie den Wert aus Spalte AR (Website Rohtext) (nutzt interne Helfer _get_cell_value_safe) cell_value_ar = self._get_cell_value_safe(row, "Website Rohtext") # Block 1 Column Map # Pruefen Sie, ob AR leer ist oder einen Standard-Fehlerwert enthaelt. ar_is_empty_or_default = not cell_value_ar or (isinstance(cell_value_ar, str) and str(cell_value_ar).strip().lower() in ["k.a.", "k.a. (nur cookie-banner erkannt)", "k.a. (fehler)"]) # Holen Sie den Wert aus Spalte D (CRM Website) (nutzt interne Helfer _get_cell_value_safe) website_url = self._get_cell_value_safe(row, "CRM Website").strip() # Block 1 Column Map # Pruefen Sie, ob die Website URL (D) vorhanden und gueltig aussehend ist. website_url_is_valid_looking = website_url and isinstance(website_url, str) and website_url.lower() not in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"] # Fuege "http:" hinzu basierend auf Log # Verarbeitung ist noetig, wenn AR leer/default ist UND D gefuellt/gueltig aussieht. processing_needed_for_row = ar_is_empty_or_default and website_url_is_valid_looking # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: company_name = self._get_cell_value_safe(row, "CRM Name").strip() # Block 1 Column Map self.logger.debug(f"Zeile {i} ({company_name[:50]}... Website Scraping Check): AR leer/default? {ar_is_empty_or_default}, D gueltig? {website_url_is_valid_looking}. Benötigt Verarbeitung? {processing_needed_for_row}") # <<< GEÄNDERT # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile # Zaehlen Sie speziell, wenn die Zeile wegen fehlender gueltiger URL uebersprungen wurde. if not website_url_is_valid_looking: skipped_no_url += 1 continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Fuege zur Batch-Liste hinzu --- processed_count += 1 # Zaehle die Zeile, die fuer die Verarbeitung in Frage kommt (im Rahmen des Limits zaehlen) # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer process_website_scraping_batch erreicht. Breche weitere Zeilenpruefung ab.") # <<< GEÄNDERT break # Brich die Schleife ab # Fuege die benoetigten Daten fuer den Task hinzu (Zeilennummer und URL) tasks_for_processing_batch.append({"row_num": i, "url": website_url}) # Fuege die Zeilennummer zur Liste der Zeilennummern im Batch hinzu rows_in_current_scraping_batch.append(i) # --- Verarbeite den Batch, wenn voll --- # Pruefe, ob die aktuelle Batch-Liste die definierte Groesse erreicht hat. # scraping_batch_size wird aus Config geholt (Block 1). if len(tasks_for_processing_batch) >= processing_batch_size: # Logge den Start der Batch-Verarbeitung batch_start_row = tasks_for_processing_batch[0]['row_num'] batch_end_row = tasks_for_processing_batch[-1]['row_num'] self.logger.debug(f"\n--- Starte Website-Scraping Batch ({len(tasks_for_processing_batch)} Tasks, Zeilen {batch_start_row}-{batch_end_row}) ---") # <<< GEÄNDERT scraping_results = {} # Dictionary zum Speichern der Ergebnisse {row_num: raw_text} batch_error_count = 0 # Fehlerzaehler fuer diesen spezifischen Batch self.logger.debug(f" Scrape {len(tasks_for_processing_batch)} Websites parallel (max {max_scraping_workers} worker)...") # <<< GEÄNDERT # Nutzt concurrent.futures.ThreadPoolExecutor fuer paralleles Scraping. # max_workers wird aus Config geholt (Block 1). with concurrent.futures.ThreadPoolExecutor(max_workers=max_scraping_workers) as executor: # Map tasks to futures. Ruft die INTERNE Worker-Funktion auf. # Uebergibt das task_info Dictionary und die globale Funktion get_website_raw (Block 11) als Argument. future_to_task = {executor.submit(self._scrape_raw_text_task, task, get_website_raw): task for task in tasks_for_processing_batch} # <<< Korrigiert: interne Methode # Verarbeite die Ergebnisse, sobald sie fertig sind. for future in concurrent.futures.as_completed(future_to_task): task = future_to_task[future] # Holen Sie die urspruenglichen Task-Daten (Dict) try: # Holen Sie das Ergebnis vom Future. Wenn die Worker-Funktion eine Exception wirft, wird diese hier gefangen. result = future.result() # Ergebnis ist ein Dictionary {'row_num': ..., 'raw_text': ..., 'error': ...} # Speichere das Ergebnis im scraping_results Dictionary scraping_results[result['row_num']] = result['raw_text'] # Wenn der Worker einen Fehler gemeldet hat (z.B. durch Fehlerstring im raw_text oder error-Feld) if result.get('error'): batch_error_count += 1 # Erhoehe den Fehlerzaehler fuer diesen Batch except Exception as exc: # Dieser Block faengt unerwartete Fehler ab, die waehrend der Future-Ergebnis-Abfrage auftreten. # Die meisten Fehler sollten von get_website_raws retry/logging behandelt werden. row_num = task['row_num'] # Zeilennummer aus den Task-Daten err_msg = f"Unerwarteter Fehler bei Ergebnisabfrage Scraping Task Zeile {row_num} ({task['url'][:100]}): {type(exc).__name__} - {exc}" # Gekuerzt loggen self.logger.error(err_msg) # <<< GEÄNDERT # Setze einen Standard-Fehlerwert fuer diese Zeile im Ergebnis scraping_results[row_num] = "k.A. (Unerwarteter Fehler Task)" batch_error_count += 1 # Erhoehe den Fehlerzaehler self.logger.debug(f" Scraping fuer Batch beendet. {len(scraping_results)} Ergebnisse erhalten ({batch_error_count} Fehler in diesem Batch).") # <<< GEÄNDERT # Sammle Sheet Updates (AR, AT, AP) fuer diesen Batch. # Dies geschieht jetzt nach der parallelen Verarbeitung. if scraping_results: # Aktueller Zeitstempel und Version current_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") current_version = getattr(Config, 'VERSION', 'unknown') # Block 1 Config Attribut batch_sheet_updates = [] # Updates fuer DIESEN spezifischen Batch von Zeilen # Iteriere ueber die Zeilennummern im Batch, fuer die Ergebnisse vorliegen. # Ergebnisse koennen Fehlerwerte enthalten. for row_num, raw_text_res in scraping_results.items(): # Fuege Updates fuer AR, AT und AP hinzu (nutzt interne Helfer) # AR: Roh extrahierter Text (kann auch Fehlerwert sein) batch_sheet_updates.append({'range': f'{rohtext_col_letter}{row_num}', 'values': [[raw_text_res]]}) # Block 1 Column Map # AT: Timestamp des Scraping-Versuchs (immer setzen, wenn versucht wurde) batch_sheet_updates.append({'range': f'{timestamp_col_letter}{row_num}', 'values': [[current_timestamp]]}) # Block 1 Column Map # AP: Version des Skripts batch_sheet_updates.append({'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]}) # Block 1 Column Map # Sammle diese Batch-Updates fuer das groessere Batch-Update am Ende oder bei Limit. # update_batch_row_limit wird aus Config geholt (Block 1). all_sheet_updates.extend(batch_sheet_updates) # Leere den Scraping-Batch fuer die naechste Iteration tasks_for_processing_batch = [] rows_in_current_scraping_batch = [] # Sende gesammelte Sheet Updates, wenn das Update-Batch-Limit erreicht ist. # Updates pro Zeile sind 3 (AR, AT, AP). Anzahl der Zeilen = len(all_sheet_updates) / 3. rows_in_update_batch = len(all_sheet_updates) // 3 # Ganzzahl-Division if rows_in_update_batch >= update_batch_row_limit: self.logger.debug(f" Sende gesammelte Sheet-Updates ({rows_in_update_batch} Zeilen, {len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. # Wenn es fehlschlaegt, wird es intern geloggt. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f" Sheet-Update fuer {rows_in_update_batch} Zeilen erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Leere die gesammelten Updates nach dem Senden. all_sheet_updates = [] # rows_in_update_batch muss nicht explizit zurueckgesetzt werden, da es aus len(all_sheet_updates) berechnet wird. # Keine Pause hier nach jedem kleinen Scraping-Batch, da wir auf batch_update warten. # Die Pause kommt erst nach dem Batch-Update (oder am Ende des Modus). # time.sleep(0.1) # Optionale kurze Pause # --- Verarbeitung des letzten unvollstaendigen Scraping-Batches nach der Schleife --- # Fuehre den letzten Batch aus, wenn nach der Hauptschleife noch Tasks in der Batch-Liste sind. if tasks_for_processing_batch: # Logge den Start des finalen Batches batch_start_row = tasks_for_processing_batch[0]['row_num'] batch_end_row = tasks_for_processing_batch[-1]['row_num'] self.logger.debug(f"\n--- Starte FINALEN Website-Scraping Batch ({len(tasks_for_processing_batch)} Tasks, Zeilen {batch_start_row}-{batch_end_row}) ---") # <<< GEÄNDERT scraping_results = {} # Dictionary fuer die Ergebnisse batch_error_count = 0 # Fehlerzaehler self.logger.debug(f" Scrape {len(tasks_for_processing_batch)} Websites parallel (max {max_scraping_workers} worker)...") # <<< GEÄNDERT with concurrent.futures.ThreadPoolExecutor(max_workers=max_scraping_workers) as executor: # Map tasks to futures. Ruft die INTERNE Worker-Funktion auf. future_to_task = {executor.submit(self._scrape_raw_text_task, task, get_website_raw): task for task in tasks_for_processing_batch} # <<< Korrigiert: interne Methode # Verarbeite die Ergebnisse for future in concurrent.futures.as_completed(future_to_task): task = future_to_task[future] # Holen Sie die urspruenglichen Task-Daten try: result = future.result() # Holen Sie das Ergebnis scraping_results[result['row_num']] = result['raw_text'] # Pruefe, ob der Worker einen Fehler gemeldet hat if result.get('error'): batch_error_count += 1 except Exception as exc: # Faengt unerwartete Fehler bei der Ergebnisabfrage ab row_num = task['row_num'] err_msg = f"Unerwarteter Fehler bei Ergebnisabfrage Scraping Task Zeile {row_num} ({task['url'][:100]}): {type(exc).__name__} - {exc}" # Gekuerzt loggen self.logger.error(err_msg) # <<< GEÄNDERT # Setze einen Standard-Fehlerwert scraping_results[row_num] = "k.A. (Unerwarteter Fehler Task)" batch_error_count += 1 self.logger.debug(f" FINALER Scraping Batch beendet. {len(scraping_results)} Ergebnisse erhalten ({batch_error_count} Fehler).") # <<< GEÄNDERT # Sammle Sheet Updates (AR, AT, AP) fuer diesen finalen Batch. if scraping_results: current_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") current_version = getattr(Config, 'VERSION', 'unknown') # Block 1 Config Attribut batch_sheet_updates = [] # Updates fuer diesen spezifischen Batch # Iteriere ueber die Zeilennummern im Batch, fuer die Ergebnisse vorliegen. for row_num, raw_text_res in scraping_results.items(): # Fuege Updates fuer AR, AT und AP hinzu batch_sheet_updates.append({'range': f'{rohtext_col_letter}{row_num}', 'values': [[raw_text_res]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{timestamp_col_letter}{row_num}', 'values': [[current_timestamp]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]}) # Block 1 Column Map # Fuege diese Updates zur globalen Liste hinzu (wird dann nur noch einmal gesendet) all_sheet_updates.extend(batch_sheet_updates) # --- Finale Sheet Updates senden --- # Sende alle verbleibenden gesammelten Updates in einem letzten Batch-Update. if all_sheet_updates: rows_in_final_update_batch = len(all_sheet_updates) // 3 # Updates pro Zeile ist 3 self.logger.info(f"Sende FINALE gesammelte Sheet-Updates ({rows_in_final_update_batch} Zeilen, {len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f"FINALES Sheet-Update erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Logge den Abschluss des Modus self.logger.info(f"Website-Scraping (Batch) abgeschlossen. {processed_count} Zeilen verarbeitet (in Batch aufgenommen), {skipped_count} Zeilen uebersprungen.") # <<< GEÄNDERT # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # ============================================================================== # Ende DataProcessor Klasse Batch: Website Scraping Block # ============================================================================== # ========================================================================== # === Batch Processing Methods ============================================= # ========================================================================== # --- Methode fuer den Website-Summarization-Batchmodus (AS) --- # Diese Methode verarbeitet Zeilen, bei denen AR gefuellt und AS leer ist, um die Zusammenfassung zu erstellen. # Sie nutzt die globale Batch-Zusammenfassungsfunktion fuer den OpenAI Call. # Basierend auf process_website_summarization_batch aus Teil 9. # Nutzt interne Helfer: _get_cell_value_safe, _get_col_letter. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, Config (Block 1), datetime, time, # summarize_batch_openai (Block 9). # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_summarization_batch(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ Batch-Prozess NUR fuer Website-Zusammenfassung (AS). Laedt Daten neu, prueft, ob Rohtext (AR) vorhanden und Zusammenfassung (AS) fehlt. Fasst Rohtexte im Batch ueber OpenAI zusammen und setzt AS + AP. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (automatische Ermittlung basierend auf leeren AS). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU VERARBEITENDER (nicht uebersprungener) Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Batch-Laufs self.logger.info(f"Starte Website-Zusammenfassung (Batch AS, AP). Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # <<< GEÄNDERT # --- Daten laden und Startzeile ermitteln --- # Automatische Ermittlung der Startzeile, wenn nicht manuell gesetzt if start_sheet_row is None: self.logger.info("Automatische Ermittlung der Startzeile basierend auf leeren AS...") # <<< GEÄNDERT # Nutzt get_start_row_index des Sheet Handlers (Block 14). Prueft auf leeren AS (Block 1 Column Map). # Standardmaessig ab Zeile 7 start_data_index_no_header = self.sheet_handler.get_start_row_index(check_column_key="Website Zusammenfassung", min_sheet_row=7) # Wenn get_start_row_index -1 zurueckgibt (Fehler) if start_data_index_no_header == -1: self.logger.error("FEHLER bei automatischer Ermittlung der Startzeile. Breche Batch ab.") # <<< GEÄNDERT return # Beende die Methode # Berechne die 1-basierte Sheet-Startzeile aus dem 0-basierten Daten-Index start_sheet_row = start_data_index_no_header + self.sheet_handler._header_rows + 1 # Block 14 SheetHandler Attribut self.logger.info(f"Automatisch ermittelte Startzeile (erste leere AS Zelle): {start_sheet_row}") # <<< GEÄNDERT else: # Wenn start_sheet_row manuell gesetzt wurde, laden Sie die Daten trotzdem neu, um aktuell zu sein. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("FEHLER beim Laden der Daten fuer process_summarization_batch.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers(); # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows; total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den verarbeitungsbereich self.logger.info(f"Verarbeitungsbereich: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # <<< GEÄNDERT # Pruefe, ob der Bereich gueltig ist (Start <= Ende und Start nicht ueber Gesamtzeilen) if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") # <<< GEÄNDERT return # Beende die Methode, wenn der Bereich leer ist # --- Indizes und Buchstaben --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = [ "Website Rohtext", "Website Zusammenfassung", "Version", "CRM Name" # AR, AS, AP, B ] # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer process_summarization_batch: {missing}. Breche ab.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Indizes und Buchstaben fuer Updates (AS, AP) rohtext_col_idx = col_indices["Website Rohtext"] summary_col_idx = col_indices["Website Zusammenfassung"] version_col_idx = col_indices["Version"] name_col_idx = col_indices["CRM Name"] # Benoetigt fuer Logging summary_col_letter = self.sheet_handler._get_col_letter(summary_col_idx + 1) # Block 14 _get_col_letter version_col_letter = self.sheet_handler._get_col_letter(version_col_idx + 1) # --- Verarbeitung --- # Holen Sie die Batch-Groesse fuer OpenAI-Aufrufe aus Config (Block 1) openai_batch_size = getattr(Config, 'OPENAI_BATCH_SIZE_LIMIT', 4) # Holen Sie die Batch-Groesse fuer Sheet-Updates aus Config (Block 1) update_batch_row_limit = getattr(Config, 'UPDATE_BATCH_ROW_LIMIT', 50) tasks_for_openai_batch = [] # Tasks fuer den aktuellen OpenAI Batch (Liste von Dicts) rows_in_current_openai_batch = [] # 1-basierte Zeilennummern im aktuellen OpenAI Batch all_sheet_updates = [] # Gesammelte Updates fuer Batch-Schreiben ins Sheet (Liste von Dicts) processed_count = 0 # Zaehlt Zeilen, die fuer die Verarbeitung in Frage kommen und in den Batch aufgenommen werden (im Rahmen des Limits). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen wurden (wegen fehlendem Rohtext oder vorhandener Zusammenfassung). # Iteriere ueber die Sheet-Zeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungen continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Website Rohtext (AR) ist vorhanden und gueltig (nicht k.A. oder Fehlerwerte). # UND Website Zusammenfassung (AS) ist leer oder ein Standard-Fehlerwert. # Holen Sie den Wert aus Spalte AR (Website Rohtext) (nutzt interne Helfer _get_cell_value_safe) raw_text = self._get_cell_value_safe(row, "Website Rohtext") # Block 1 Column Map # Pruefen Sie, ob AR gefuellt und gueltig ist. raw_text_is_valid = raw_text and isinstance(raw_text, str) and str(raw_text).strip().lower() not in ["k.a.", "k.a. (nur cookie-banner erkannt)", "k.a. (fehler)"] # Holen Sie den Wert aus Spalte AS (Website Zusammenfassung) (nutzt interne Helfer _get_cell_value_safe) summary_value = self._get_cell_value_safe(row, "Website Zusammenfassung") # Block 1 Column Map # Pruefen Sie, ob AS leer ist oder einen Standard-Fehlerwert enthaelt. summary_is_empty_or_default = not summary_value or (isinstance(summary_value, str) and str(summary_value).strip().lower() in ["k.a.", "k.a. (keine zusammenfassung erhalten)"]) # Verarbeitung ist noetig, wenn AR gueltig ist UND AS leer/default ist. processing_needed_for_row = raw_text_is_valid and summary_is_empty_or_default # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: company_name = self._get_cell_value_safe(row, "CRM Name").strip() # Block 1 Column Map self.logger.debug(f"Zeile {i} ({company_name[:50]}... Website Summarization Check): AR gueltig? {raw_text_is_valid} (len={len(str(raw_text))}), AS leer/default? {summary_is_empty_or_default}. Benötigt Verarbeitung? {processing_needed_for_row}") # <<< GEÄNDERT # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Fuege zur Batch-Liste fuer OpenAI hinzu --- processed_count += 1 # Zaehle die Zeile, die fuer die Verarbeitung in Frage kommt (im Rahmen des Limits zaehlen) # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer process_summarization_batch erreicht. Breche weitere Zeilenpruefung ab.") # <<< GEÄNDERT break # Brich die Schleife ab # Fuege die benoetigten Daten fuer den OpenAI Batch hinzu (Zeilennummer und Rohtext) tasks_for_openai_batch.append({'row_num': i, 'raw_text': raw_text}) # Fuege die Zeilennummer zur Liste der Zeilennummern im Batch hinzu rows_in_current_openai_batch.append(i) # --- Verarbeite den Batch, wenn voll --- # Pruefe, ob die aktuelle Batch-Liste die definierte Groesse erreicht hat. # openai_batch_size wird aus Config geholt (Block 1). if len(tasks_for_openai_batch) >= openai_batch_size: # Logge den Start der Batch-Verarbeitung batch_start_row = tasks_for_openai_batch[0]['row_num'] batch_end_row = tasks_for_openai_batch[-1]['row_num'] self.logger.debug(f"\n--- Starte Website-Summarization Batch ({len(tasks_for_openai_batch)} Tasks, Zeilen {batch_start_row}-{batch_end_row}) ---") # <<< GEÄNDERT # Rufe die globale Funktion auf, die den OpenAI Call fuer den Batch macht (Block 9). # summarize_batch_openai ist mit retry_on_failure dekoriert (Block 2). # Wenn summarize_batch_openai eine Exception wirft (nach Retries), wird diese hier gefangen. # !!! KORRIGIERTER AUFRUF !!! try: # Rufen Sie die korrekte globale Funktion auf batch_results = summarize_batch_openai(tasks_for_openai_batch) # <<< Korrigierter Aufruf (vorher war fälschlicherweise _process_verification_openai_batch) # Ergebnisse sollten ein Dictionary {row_num: summary_text} sein, auch bei Fehlern. # Sammle Sheet Updates (AS, AP) fuer diesen Batch current_version = getattr(Config, 'VERSION', 'unknown') # Block 1 Config Attribut batch_sheet_updates = [] # Updates fuer DIESEN spezifischen Batch von Zeilen # Iteriere ueber die Zeilennummern, die in DIESEM OpenAI Batch waren for row_num in rows_in_current_openai_batch: # Hole das Ergebnis fuer diese Zeile aus dem Ergebnis-Dictionary. # Fallback auf einen Fehlerstring, wenn das Ergebnis fehlt (sollte nicht passieren, wenn summarize_batch_openai korrekt ist). summary = batch_results.get(row_num, "k.A. (Batch Ergebnis fehlte)") # Stelle sicher, dass 'k.A.' bei leeren/kurzen Summaries gesetzt wird if not summary or (isinstance(summary, str) and summary.strip().lower() in ["k.a.", "k.a. (keine zusammenfassung erhalten)"]): summary = "k.A. (Keine Zusammenfassung erhalten)" # Fuege "k.A." oder Fehler an, wenn der Wert von summarize_batch_openai ein Fehlerstring ist elif isinstance(summary, str) and (summary.startswith("k.A. (Fehler") or summary.startswith("FEHLER:")): pass # Behalte den Fehlerstring von summarize_batch_openai # Fuege Updates fuer AS und AP hinzu (nutzt interne Helfer) batch_sheet_updates.append({'range': f'{summary_col_letter}{row_num}', 'values': [[summary]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]}) # Block 1 Column Map # Sammle diese Batch-Updates fuer das groessere Batch-Update all_sheet_updates.extend(batch_sheet_updates) except Exception as e_openai_batch: # Wenn summarize_batch_openai eine Exception wirft (nach Retries) # Der Fehler wird bereits vom retry_on_failure Decorator auf summarize_batch_openai geloggt. self.logger.error(f"Endgueltiger FEHLER beim OpenAI-Batch-Aufruf fuer Zusammenfassung: {e_openai_batch}") # <<< GEÄNDERT # Logge den Traceback self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT # Fügen Sie Fehlerwerte für alle Zeilen im Batch hinzu current_version = getattr(Config, 'VERSION', 'unknown') # Block 1 Config Attribut for row_num in rows_in_current_openai_batch: error_summary = f"FEHLER OpenAI Batch: {str(e_openai_batch)[:100]}..." # Gekuerzt # Fuege Updates mit Fehlerwerten fuer AS und AP hinzu all_sheet_updates.append({'range': f'{summary_col_letter}{row_num}', 'values': [[error_summary]]}) # Block 1 Column Map all_sheet_updates.append({'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]}) # Block 1 Column Map # Leere den OpenAI-Batch zurueck tasks_for_openai_batch = [] rows_in_current_openai_batch = [] # Sende gesammelte Sheet Updates, wenn das Update-Batch-Limit erreicht ist. # Updates pro Zeile sind 2 (AS, AP). Anzahl der Zeilen = len(all_sheet_updates) / 2. rows_in_update_batch = len(all_sheet_updates) // 2 if rows_in_update_batch >= update_batch_row_limit: self.logger.debug(f" Sende gesammelte Sheet-Updates ({rows_in_update_batch} Zeilen, {len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. # Wenn es fehlschlaegt, wird es intern geloggt. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f" Sheet-Update fuer {rows_in_update_batch} Zeilen erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Leere die gesammelten Updates nach dem Senden. all_sheet_updates = [] # Kurze Pause nach jedem OpenAI Batch (nutzt Config Block 1). # Dies ist wichtig, um Rate Limits zu vermeiden. pause_duration = getattr(Config, 'RETRY_DELAY', 5) * 0.5 # 50% der Retry-Wartezeit self.logger.debug(f"Warte {pause_duration:.2f}s vor naechstem Batch...") # <<< GEÄNDERT time.sleep(pause_duration) # --- Verarbeitung des letzten unvollstaendigen OpenAI Batches nach der Schleife --- # Wenn nach der Hauptschleife noch Tasks in der Batch-Liste sind. if tasks_for_openai_batch: # Korrektur: War vorher `current_openai_batch_data` # Logge den Start des finalen Batches batch_start_row = tasks_for_openai_batch[0]['row_num'] # Korrektur: War vorher `current_openai_batch_data` batch_end_row = tasks_for_openai_batch[-1]['row_num'] # Korrektur: War vorher `current_openai_batch_data` self.logger.debug(f"\n--- Starte FINALEN Website-Summarization Batch ({len(tasks_for_openai_batch)} Tasks, Zeilen {batch_start_row}-{batch_end_row}) ---") # <<< GEÄNDERT # Rufe die globale Funktion auf, die den OpenAI Call fuer den Batch macht (Block 9). # summarize_batch_openai ist mit retry_on_failure dekoriert (Block 2). # Wenn summarize_batch_openai eine Exception wirft (nach Retries), wird diese hier gefangen. batch_results = None try: batch_results = summarize_batch_openai(tasks_for_openai_batch) # <<< Korrekter Aufruf Block 9, Korrektur: War vorher `current_openai_batch_data` # Ergebnisse sollten ein Dictionary {row_num: summary_text} sein, auch bei Fehlern. # Sammle Sheet Updates (AS, AP) fuer diesen finalen Batch current_version = getattr(Config, 'VERSION', 'unknown') # Block 1 Config Attribut batch_sheet_updates = [] # Updates fuer diesen spezifischen Batch # Iteriere ueber die Zeilennummern im Batch, fuer die Ergebnisse vorliegen. for row_num in rows_in_current_openai_batch: # Hole das Ergebnis fuer diese Zeile aus dem Ergebnis-Dictionary. summary = batch_results.get(row_num, "k.A. (Batch Ergebnis fehlte)") # Fallback # Stelle sicher, dass 'k.A.' bei leeren/kurzen Summaries gesetzt wird if not summary or (isinstance(summary, str) and summary.strip().lower() in ["k.a.", "k.a. (keine zusammenfassung erhalten)"]): summary = "k.A. (Keine Zusammenfassung erhalten)" # Fuege "k.A." oder Fehler an, wenn der Wert von summarize_batch_openai ein Fehlerstring ist elif isinstance(summary, str) and (summary.startswith("k.A. (Fehler") or summary.startswith("FEHLER:")): pass # Behalte den Fehlerstring von summarize_batch_openai # Fuege Updates fuer AS und AP hinzu batch_sheet_updates.append({'range': f'{summary_col_letter}{row_num}', 'values': [[summary]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]}) # Block 1 Column Map # Fuege diese Updates zur globalen Liste hinzu (wird dann nur noch einmal gesendet) all_sheet_updates.extend(batch_sheet_updates) except Exception as e_openai_batch: # Wenn summarize_batch_openai eine Exception wirft (nach Retries) # Der Fehler wird bereits vom retry_on_failure Decorator auf summarize_batch_openai geloggt. self.logger.error(f"Endgueltiger FEHLER beim FINALEN OpenAI-Batch-Aufruf fuer Zusammenfassung: {e_openai_batch}") # <<< GEÄNDERT # Logge den Traceback self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT # Fügen Sie Fehlerwerte für alle Zeilen im Batch hinzu current_version = getattr(Config, 'VERSION', 'unknown') # Block 1 Config Attribut for row_num in rows_in_current_openai_batch: error_summary = f"FEHLER OpenAI Batch: {str(e_openai_batch)[:100]}..." # Gekuerzt # Fuege Updates mit Fehlerwerten fuer AS und AP hinzu all_sheet_updates.append({'range': f'{summary_col_letter}{row_num}', 'values': [[error_summary]]}) # Block 1 Column Map all_sheet_updates.append({'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]}) # Block 1 Column Map # --- Finale Sheet Updates senden --- # Sende alle verbleibenden gesammelten Updates in einem letzten Batch-Update. if all_sheet_updates: rows_in_final_update_batch = len(all_sheet_updates) // 2 # Updates pro Zeile ist 2 self.logger.info(f"Sende FINALE gesammelte Sheet-Updates ({rows_in_final_update_batch} Zeilen, {len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f"FINALES Sheet-Update erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Logge den Abschluss des Modus self.logger.info(f"Website-Zusammenfassung (Batch) abgeschlossen. {processed_count} Zeilen verarbeitet (in Batch aufgenommen), {skipped_count} Zeilen uebersprungen.") # <<< GEÄNDERT # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # ============================================================================== # Ende DataProcessor Klasse Batch: Summarization Block # ============================================================================== # ========================================================================== # === Batch Processing Methods ============================================= # ========================================================================== # --- Interne Hilfsfunktion fuer Branchen-Batch (OpenAI Call) --- # Diese Funktion laeuft in einem separaten Thread fuer parallele Verarbeitung. # Sie wird von process_branch_batch (dieser Block) aufgerufen. # Sie nutzt die globale Funktion evaluate_branche_chatgpt und erhaelt sie als Argument uebergeben. # Nutzt globale Helfer: evaluate_branche_chatgpt (Block 10), logger, time, threading.Semaphore, traceback. # Nutzt lokale Semaphore Instanz, die von process_branch_batch uebergeben wird. def evaluate_branch_task(self, task_data, openai_semaphore): """ Führt die Branchenevaluation fuer eine einzelne Zeile aus. Läuft in einem separaten Thread fuer den Branchen-Batch. Args: task_data (dict): Enthält die Daten fuer die Zeile. openai_semaphore (threading.Semaphore): Semaphore zur Begrenzung gleichzeitiger OpenAI-Calls. Returns: dict: Ergebnis von evaluate_branche_chatgpt (Block 10) plus row_num und error. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist logger = logging.getLogger(__name__ + ".evaluate_branch_task") # Eigener Logger für den Task row_num = task_data['row_num'] # Initialisiere Ergebnis mit Fehlerwerten, falls der Task fehlschlaegt result = {"branch": "k.A. (Fehler Task)", "consistency": "error", "justification": "Fehler in Worker-Task"} error = None try: # Acquire the semaphore before making the OpenAI call (indirekt ueber evaluate_branche_chatgpt) with openai_semaphore: # Kleine künstliche Pause reduziert manchmal Race Conditions bei hoher Last oder schnellen APIs # time.sleep(0.05) # Optional # Rufe die globale Funktion zur Branchenevaluation auf (Block 10). # evaluate_branche_chatgpt nutzt call_openai_chat (Block 8), der den retry_on_failure Decorator (Block 2) nutzt. # Wenn evaluate_branche_chatgpt eine Exception wirft (nach Retries), wird diese hier gefangen. result = evaluate_branche_chatgpt( task_data['crm_branche'], task_data['beschreibung'], task_data['wiki_branche'], task_data['wiki_kategorien'], task_data['website_summary'] ) except Exception as e: # Wenn evaluate_branche_chatgpt eine Exception wirft (nach Retries) # Der Fehler wird bereits vom retry_on_failure Decorator oder evaluate_branche_chatgpt geloggt. error = f"Fehler bei Branchenevaluation Zeile {row_num}: {type(e).__name__} - {e}" logger.error(error) # Logge den Fehler # Logge den Traceback logger.debug(traceback.format_exc()) # Stellen Sie sicher, dass das Ergebnis-Dict im Fehlerfall spezifische Fehlerwerte enthaelt result = {"branch": "FEHLER", "consistency": "error_task", "justification": error[:500]} # Kuerze Begruendung # logger.debug(f"Branch Task Zeile {row_num} abgeschlossen.") # Zu viel Laerm im Debug return {"row_num": row_num, "result": result, "error": error} # --- Methode fuer den Branchen-Batchmodus (AO) --- # Diese Methode verarbeitet Zeilen, bei denen AO leer ist, um die Branche ueber ChatGPT zu bewerten. # Sie nutzt einen ThreadPoolExecutor und ruft die interne Worker-Funktion evaluate_branch_task auf. # Basierend auf process_branch_batch aus Teil 9. # Nutzt interne Helfer: _get_cell_value_safe, _get_col_letter, evaluate_branch_task (derselbe Block). # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, Config (Block 1), datetime, time, # concurrent.futures, threading.Semaphore, load_target_schema (Block 6), # ALLOWED_TARGET_BRANCHES (Block 6). # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_branch_batch(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ Batch-Prozess fuer Brancheneinschaetzung mit paralleler Verarbeitung ueber Threads. Prueft Timestamp AO, fuehrt evaluate_branche_chatgpt parallel aus (limitiert), setzt W, X, Y, AO + AP und sendet Sheet-Updates GEBUENDELT PRO VERARBEITUNGS-BATCH. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (automatische Ermittlung basierend auf leeren AO). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU VERARBEITENDER (nicht uebersprungener) Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Batch-Laufs self.logger.info(f"Starte Brancheneinschaetzung (Parallel Batch W-Y, AO, AP). Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # <<< GEÄNDERT # --- Daten laden und Startzeile ermitteln --- # Automatische Ermittlung der Startzeile, wenn nicht manuell gesetzt if start_sheet_row is None: self.logger.info("Automatische Ermittlung der Startzeile basierend auf leeren AO...") # <<< GEÄNDERT # Nutzt get_start_row_index des Sheet Handlers (Block 14). Prueft auf leeren AO (Block 1 Column Map). # Standardmaessig ab Zeile 7 start_data_index_no_header = self.sheet_handler.get_start_row_index(check_column_key="Timestamp letzte Pruefung", min_sheet_row=7) # Wenn get_start_row_index -1 zurueckgibt (Fehler) if start_data_index_no_header == -1: self.logger.error("FEHLER bei automatischer Ermittlung der Startzeile. Breche Batch ab.") # <<< GEÄNDERT return # Beende die Methode # Berechne die 1-basierte Sheet-Startzeile aus dem 0-basierten Daten-Index start_sheet_row = start_data_index_no_header + self.sheet_handler._header_rows + 1 # Block 14 SheetHandler Attribut self.logger.info(f"Automatisch ermittelte Startzeile (erste leere AO Zelle): {start_sheet_row}") # <<< GEÄNDERT else: # Wenn start_sheet_row manuell gesetzt wurde, laden Sie die Daten trotzdem neu, um aktuell zu sein. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("FEHLER beim Laden der Daten fuer process_branch_batch.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers() # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den verarbeitungsbereich self.logger.info(f"Verarbeitungsbereich: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # <<< GEÄNDERT # Pruefe, ob der Bereich gueltig ist (Start <= Ende und Start nicht ueber Gesamtzeilen) if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") # <<< GEÄNDERT return # Beende die Methode, wenn der Bereich leer ist # --- Indizes und Buchstaben --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = [ "Timestamp letzte Pruefung", # AO - Pruefkriterium "CRM Branche", "CRM Beschreibung", "Wiki Branche", "Wiki Kategorien", # Daten fuer Prompt "Website Zusammenfassung", "Version", # Weitere Daten fuer Prompt / Update "Chat Vorschlag Branche", "Chat Konsistenz Branche", "Chat Begruendung Abweichung Branche" # Ergebnisspalten W, X, Y ] # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer process_branch_batch: {missing}. Breche ab.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Spaltenbuchstaben fuer Updates (W, X, Y, AO, AP) (nutzt interne Helfer _get_col_letter Block 14) ts_ao_letter = self.sheet_handler._get_col_letter(col_indices["Timestamp letzte Pruefung"] + 1) version_col_letter = self.sheet_handler._get_col_letter(col_indices["Version"] + 1) branch_w_letter = self.sheet_handler._get_col_letter(col_indices["Chat Vorschlag Branche"] + 1) branch_x_letter = self.sheet_handler._get_col_letter(col_indices["Chat Konsistenz Branche"] + 1) branch_y_letter = self.sheet_handler._get_col_letter(col_indices["Chat Begruendung Abweichung Branche"] + 1) # --- Konfiguration fuer Parallelisierung --- # Holen Sie die Konfiguration aus Config (Block 1) MAX_BRANCH_WORKERS = getattr(Config, 'MAX_BRANCH_WORKERS', 10) # Threads fuer parallele Verarbeitung OPENAI_CONCURRENCY_LIMIT = getattr(Config, 'OPENAI_CONCURRENCY_LIMIT', 3) # Max. gleichzeitige OpenAI Calls openai_semaphore_branch = threading.Semaphore(OPENAI_CONCURRENCY_LIMIT) # Erstellen Sie die Semaphore Instanz # Holen Sie die Batch-Groesse fuer Verarbeitung (Threading) aus Config (Block 1) processing_batch_size = getattr(Config, 'PROCESSING_BRANCH_BATCH_SIZE', 20) # Holen Sie die Batch-Groesse fuer Sheet-Updates aus Config (Block 1) update_batch_row_limit = getattr(Config, 'UPDATE_BATCH_ROW_LIMIT', 50) # Wird derzeit nicht verwendet, da wir pro Batch senden # --- Verarbeitung --- tasks_for_processing_batch = [] # Tasks fuer den aktuellen Batch (Liste von Dicts) rows_in_current_batch = [] # 1-basierte Zeilennummern im aktuellen Batch # Sheet Updates werden direkt nach Verarbeitung eines Batch geschrieben, # keine grosse gesammelte Liste wie bei Scraping/Summarization processed_count = 0 # Zaehlt Zeilen, die fuer die Verarbeitung in Frage kommen und in den Batch aufgenommen werden (im Rahmen des Limits). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen wurden (wegen AO oder fehlender Daten). # Laden Sie das Zielschema, falls noch nicht geschehen (evaluate_branche_chatgpt benoetigt es Block 10) # load_target_schema (Block 6) befuellt die globale Variable ALLOWED_TARGET_BRANCHES. global ALLOWED_TARGET_BRANCHES if not ALLOWED_TARGET_BRANCHES: # load_target_schema ist mit retry_on_failure dekoriert (Block 2). load_target_schema() # Versuche, das Schema zu laden # Pruefe erneut, ob das Schema geladen wurde if not ALLOWED_TARGET_BRANCHES: self.logger.critical("FEHLER: Ziel-Branchenschema konnte nach Ladeversuch nicht geladen werden. Branchenbewertung nicht moeglich. Breche Batch ab.") # <<< GEÄNDERT return # Beende die Methode # Iteriere ueber die Sheet-Zeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungen continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Timestamp letzte Pruefung (AO) ist leer. # ZUSAETZLICH: Pruefen, ob genuegend Quelldaten fuer die Evaluation vorhanden sind. # Mindestens 2 der folgenden Quellen muessen vorhanden sein: # CRM Branche ODER Beschreibung ODER Wiki Branche/Kategorien ODER Website Summary. # Holen Sie den Wert aus Spalte AO (Timestamp letzte Pruefung) (nutzt interne Helfer _get_cell_value_safe) ao_value = self._get_cell_value_safe(row, "Timestamp letzte Pruefung").strip() # Block 1 Column Map # Pruefung basiert darauf, ob AO leer ist. processing_needed_based_on_status = not ao_value # Wenn der Schritt laut Status nicht noetig ist, ueberspringen if not processing_needed_based_on_status: skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # Pruefe, ob ausreichend Daten vorhanden sind (mindestens 2 Quellen) # Nutzt interne Helfer _get_cell_value_safe crm_branche = self._get_cell_value_safe(row, "CRM Branche").strip() # Block 1 Column Map crm_beschreibung = self._get_cell_value_safe(row, "CRM Beschreibung").strip() # Block 1 Column Map wiki_branche = self._get_cell_value_safe(row, "Wiki Branche").strip() # Block 1 Column Map wiki_kategorien = self._get_cell_value_safe(row, "Wiki Kategorien").strip() # Block 1 Column Map website_summary = self._get_cell_value_safe(row, "Website Zusammenfassung").strip() # Block 1 Column Map # Pruefe, ob die Werte vorhanden und nicht Standard "k.A." sind. info_sources_count = sum(1 for val in [crm_branche, crm_beschreibung, wiki_branche, wiki_kategorien, website_summary] if val and isinstance(val, str) and val.strip() and val.strip().lower() != "k.a." and not val.strip().startswith("FEHLER")) # Schliesse Fehlerwerte aus # Wenn nicht genuegend Informationsquellen verfuegbar sind if info_sources_count < 2: # Mindestens 2 Info-Punkte sollten vorhanden sein (kann angepasst werden) self.logger.debug(f"Zeile {i} (Branch Check): Uebersprungen (AO leer, aber nur {info_sources_count} Informationsquellen verfuegbar). Mindestens 2 benoetigt.") # <<< GEÄNDERT skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig und genuegend Daten da: Fuege zur Batch-Liste hinzu --- processed_count += 1 # Zaehle die Zeile, die fuer die Verarbeitung in Frage kommt (im Rahmen des Limits zaehlen) # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer process_branch_batch erreicht. Breche weitere Zeilenpruefung ab.") # <<< GEÄNDERT break # Brich die Schleife ab # Sammle die benoetigten Daten fuer den Branchen-Task (evaluate_branch_task denselben Block). # Diese Daten werden in einem Dictionary fuer den Batch gesammelt. tasks_for_processing_batch.append({ "row_num": i, # Die 1-basierte Sheet-Zeilennummer "crm_branche": crm_branche, # Nutzt den Wert aus dem Sheet "beschreibung": crm_beschreibung, # Nutzt den Wert aus dem Sheet "wiki_branche": wiki_branche, # Nutzt den Wert aus dem Sheet "wiki_kategorien": wiki_kategorien, # Nutzt den Wert aus dem Sheet "website_summary": website_summary # Nutzt den Wert aus dem Sheet }) # Fuege die Zeilennummer zur Liste der Zeilennummern im Batch hinzu rows_in_current_batch.append(i) # --- Verarbeite den Batch, wenn voll --- # Pruefe, ob die aktuelle Batch-Liste die definierte Groesse erreicht hat. # processing_batch_size wird aus Config geholt (Block 1). if len(tasks_for_processing_batch) >= processing_batch_size: # Logge den Start der Batch-Verarbeitung batch_start_row = tasks_for_processing_batch[0]['row_num'] batch_end_row = tasks_for_processing_batch[-1]['row_num'] self.logger.debug(f"\n--- Starte Branch-Evaluation Batch ({len(tasks_for_processing_batch)} Tasks, Zeilen {batch_start_row}-{batch_end_row}) ---") # <<< GEÄNDERT results_list = [] # Liste zum Speichern der Ergebnisse fuer diesen Batch (Liste von Dicts) batch_error_count = 0 # Fehlerzaehler fuer diesen spezifischen Batch self.logger.debug(f" Evaluiere {len(tasks_for_processing_batch)} Zeilen parallel (max {MAX_BRANCH_WORKERS} worker, {OPENAI_CONCURRENCY_LIMIT} OpenAI gleichzeitig)...") # <<< GEÄNDERT # Holen Sie die Parallelisierungskonfiguration aus Config (Block 1). MAX_BRANCH_WORKERS = getattr(Config, 'MAX_BRANCH_WORKERS', 10) OPENAI_CONCURRENCY_LIMIT = getattr(Config, 'OPENAI_CONCURRENCY_LIMIT', 3) # Erstellen Sie die Semaphore Instanz (wird von evaluate_branch_task benutzt). # threading.Semaphore muss hier innerhalb des Batch-Aufrufs erstellt werden. openai_semaphore_branch = threading.Semaphore(OPENAI_CONCURRENCY_LIMIT) # *** BEGINN PARALLELE VERARBEITUNG MIT THREADS *** # Verwende ThreadPoolExecutor fuer parallele Ausfuehrung der evaluate_branch_task. with concurrent.futures.ThreadPoolExecutor(max_workers=MAX_BRANCH_WORKERS) as executor: # Map tasks to futures. Ruft die INTERNE Worker-Funktion auf. # Uebergibt das task_data Dictionary und die Semaphore Instanz als Argumente. future_to_task = {executor.submit(self.evaluate_branch_task, task, openai_semaphore_branch): task for task in tasks_for_processing_batch} # Verarbeite die Ergebnisse, sobald sie fertig sind. for future in concurrent.futures.as_completed(future_to_task): task = future_to_task[future] # Holen Sie die urspruenglichen Task-Daten (Dict) try: # Holen Sie das Ergebnis vom Future. Wenn die Worker-Funktion eine Exception wirft, wird diese hier gefangen. result_data = future.result() # Ergebnis ist ein Dictionary {'row_num': ..., 'result': ..., 'error': ...} results_list.append(result_data) # Fuege das Ergebnis zur Liste hinzu # Pruefe, ob der Worker einen Fehler gemeldet hat (error Feld im Ergebnis) if result_data.get('error'): batch_error_count += 1 # Erhoehe den Fehlerzaehler fuer diesen Batch except Exception as exc: # Dieser Block faengt unerwartete Fehler ab, die waehrend der Future-Ergebnis-Abfrage auftreten. # Die meisten Fehler sollten von evaluate_branch_task oder seinen Helfern behandelt werden. row_num = task['row_num'] # Zeilennummer aus den Task-Daten err_msg = f"Unerwarteter Fehler bei Ergebnisabfrage Branch Task Zeile {row_num}: {type(exc).__name__} - {exc}" self.logger.error(err_msg) # <<< GEÄNDERT # Setze einen Standard-Fehler-Ergebniswert fuer diese Zeile results_list.append({"row_num": row_num, "result": {"branch": "FEHLER", "consistency": "error_task", "justification": err_msg[:500]}, "error": err_msg}) # Kuerze Begruendung batch_error_count += 1 # Erhoehe den Fehlerzaehler # *** ENDE PARALLELE VERARBEITUNG *** self.logger.debug(f" Branch-Evaluation fuer Batch beendet. {len(results_list)} Ergebnisse erhalten ({batch_error_count} Fehler in diesem Batch).") # <<< GEÄNDERT # Sheet Updates vorbereiten FÜR DIESEN BATCH. # Dies geschieht jetzt nach der parallelen Verarbeitung. if results_list: # Aktueller Zeitstempel und Version fuer die Updates current_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") current_version = getattr(Config, 'VERSION', 'unknown') # Block 1 Config Attribut batch_sheet_updates = [] # Updates fuer DIESEN spezifischen Batch von Zeilen # Sortiere Ergebnisse nach Zeilennummer fuer geordnetes Schreiben (optional, aber gut) results_list.sort(key=lambda x: x['row_num']) # Iteriere ueber die Ergebnisse dieses Batches for res_data in results_list: row_num = res_data['row_num'] # 1-basierte Zeilennummer result = res_data['result'] # Das Ergebnis-Dictionary von evaluate_branch_task # Logge das individuelle Ergebnis VOR dem Update # self.logger.debug(f" Zeile {row_num}: Ergebnis -> Branch='{result.get('branch')}', Consistency='{result.get('consistency')}', Justification='{result.get('justification', '')[:50]}...'") # Zu viel Laerm (gekuerzt) # Sammle Updates fuer W, X, Y, AO, AP (nutzt interne Helfer _get_col_letter Block 14) # Stellen Sie sicher, dass die Schluessel im Ergebnis-Dict vorhanden sind, Fallback auf Standard-Fehlerwerte. batch_sheet_updates.append({'range': f'{branch_w_letter}{row_num}', 'values': [[result.get("branch", "FEHLER")]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{branch_x_letter}{row_num}', 'values': [[result.get("consistency", "error")]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{branch_y_letter}{row_num}', 'values': [[result.get("justification", "Keine Begruendung")]]}) # Block 1 Column Map # Setze AO Timestamp fuer diese Zeile batch_sheet_updates.append({'range': f'{ts_ao_letter}{row_num}', 'values': [[current_timestamp]]}) # Block 1 Column Map # Setze AP Version fuer diese Zeile batch_sheet_updates.append({'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]}) # Block 1 Column Map # --- Sende Updates fuer DIESEN BATCH SOFORT --- # Sende die gesammelten Updates fuer diesen Batch. if batch_sheet_updates: self.logger.debug(f" Sende Sheet-Update fuer {len(results_list)} Zeilen ({len(batch_sheet_updates)} Zellen) dieses Batches...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. # Wenn es fehlschlaegt, wird es intern geloggt. success = self.sheet_handler.batch_update_cells(batch_sheet_updates) if success: self.logger.info(f" Sheet-Update fuer Batch Zeilen {batch_start_row}-{batch_end_row} erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # else: self.logger.debug(f" Keine Sheet-Updates fuer Batch Zeilen {batch_start_row}-{batch_end_row} vorbereitet.") # Zu viel Laerm im Debug # Leere den Batch fuer die naechste Iteration tasks_for_processing_batch = [] rows_in_current_batch = [] # Pause NACHDEM ein Batch komplett verarbeitet und geschrieben wurde (nutzt Config Block 1). # Dies ist wichtig, um Rate Limits und Serverlast zu managen. pause_duration = getattr(Config, 'RETRY_DELAY', 5) * 0.8 # Längere Pause, z.B. 80% der Retry-Wartezeit self.logger.debug(f"--- Batch Zeilen {batch_start_row}-{batch_end_row} abgeschlossen. Warte {pause_duration:.2f}s vor naechstem Batch ---") # <<< GEÄNDERT time.sleep(pause_duration) # --- Verarbeitung des letzten unvollstaendigen Batches nach der Schleife --- # Wenn nach der Hauptschleife noch Tasks in der Batch-Liste sind. if tasks_for_processing_batch: # Logge den Start des finalen Batches batch_start_row = tasks_for_processing_batch[0]['row_num'] batch_end_row = tasks_for_processing_batch[-1]['row_num'] self.logger.debug(f"\n--- Starte FINALEN Branch-Evaluation Batch ({len(tasks_for_processing_batch)} Tasks, Zeilen {batch_start_row}-{batch_end_row}) ---") # <<< GEÄNDERT results_list = [] # Liste zum Speichern der Ergebnisse fuer diesen finalen Batch batch_error_count = 0 # Fehlerzaehler self.logger.debug(f" Evaluiere {len(tasks_for_processing_batch)} Zeilen parallel (max {MAX_BRANCH_WORKERS} worker, {OPENAI_CONCURRENCY_LIMIT} OpenAI gleichzeitig)...") # <<< GEÄNDERT # Erstellen Sie die Semaphore Instanz fuer den finalen Batch. openai_semaphore_branch = threading.Semaphore(OPENAI_CONCURRENCY_LIMIT) with concurrent.futures.ThreadPoolExecutor(max_workers=MAX_BRANCH_WORKERS) as executor: # Map tasks to futures. Ruft die INTERNE Worker-Funktion auf und uebergibt die Semaphore. future_to_task = {executor.submit(self.evaluate_branch_task, task, openai_semaphore_branch): task for task in tasks_for_processing_batch} # Verarbeite die Ergebnisse for future in concurrent.futures.as_completed(future_to_task): task = future_to_task[future] # Holen Sie die urspruenglichen Task-Daten try: result_data = future.result() # Holen Sie das Ergebnis results_list.append(result_data) # Fuege das Ergebnis zur Liste hinzu # Pruefe, ob der Worker einen Fehler gemeldet hat if result_data.get('error'): batch_error_count += 1 except Exception as exc: # Faengt unerwartete Fehler bei der Ergebnisabfrage ab row_num = task['row_num'] err_msg = f"Unerwarteter Fehler bei Ergebnisabfrage Branch Task Zeile {row_num}: {type(exc).__name__} - {exc}" self.logger.error(err_msg) # <<< GEÄNDERT # Setze einen Standard-Fehler-Ergebniswert results_list.append({"row_num": row_num, "result": {"branch": "FEHLER", "consistency": "error_task", "justification": err_msg[:500]}, "error": err_msg}) # Kuerze Begruendung batch_error_count += 1 self.logger.debug(f" FINALER Branch Batch beendet. {len(results_list)} Ergebnisse erhalten ({batch_error_count} Fehler).") # <<< GEÄNDERT # Sammle Sheet Updates (W, X, Y, AO, AP) fuer diesen finalen Batch. if results_list: current_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") current_version = getattr(Config, 'VERSION', 'unknown') # Block 1 Config Attribut batch_sheet_updates = [] # Updates fuer diesen spezifischen Batch results_list.sort(key=lambda x: x['row_num']) # Sortiere Ergebnisse nach Zeilennummer for res_data in results_list: row_num = res_data['row_num'] result = res_data['result'] # Ergebnis-Dictionary # Fuege Updates fuer W, X, Y, AO, AP hinzu (nutzt interne Helfer) batch_sheet_updates.append({'range': f'{branch_w_letter}{row_num}', 'values': [[result.get("branch", "FEHLER")]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{branch_x_letter}{row_num}', 'values': [[result.get("consistency", "error")]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{branch_y_letter}{row_num}', 'values': [[result.get("justification", "Keine Begruendung")]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{ts_ao_letter}{row_num}', 'values': [[current_timestamp]]}) # Block 1 Column Map batch_sheet_updates.append({'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]}) # Block 1 Column Map # Fuege diese Updates zur globalen Liste hinzu (wird dann nur noch einmal gesendet) # all_sheet_updates.extend(batch_sheet_updates) # Nicht hier sammeln, direkt senden # Sende die gesammelten Updates fuer DIESEN finalen Batch. if batch_sheet_updates: self.logger.debug(f" Sende FINALES Sheet-Update fuer {len(results_list)} Zeilen ({len(batch_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. success = self.sheet_handler.batch_update_cells(batch_sheet_updates) if success: self.logger.info(f" FINALES Sheet-Update fuer Branch Batch erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Logge den Abschluss des Modus self.logger.info(f"Brancheneinschaetzung (Parallel Batch) abgeschlossen. {processed_count} Zeilen verarbeitet (in Batch aufgenommen), {skipped_count} Zeilen uebersprungen.") # <<< GEÄNDERT # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # ============================================================================== # Ende DataProcessor Klasse Batch: Branch Evaluation Block # ============================================================================== # ========================================================================== # === Batch Processing Methods ============================================= # ========================================================================== # --- Methode fuer den SerpAPI Wiki Search Batchmodus (AY) --- # Diese Methode sucht fehlende Wiki-URLs ueber SerpAPI. # Basierend auf process_find_wiki_with_serp aus Teil 2. # Nutzt interne Helfer: _get_cell_value_safe, _get_col_letter. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, Config (Block 1), datetime, time, # get_numeric_filter_value (Block 5), serp_wikipedia_lookup (Block 10). # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_find_wiki_serp(self, start_sheet_row=None, end_sheet_row=None, limit=None, min_employees=500, min_umsatz=200): """ Sucht fehlende Wikipedia-URLs (Spalte M = k.A.) ueber SerpAPI fuer Unternehmen mit (Umsatz CRM > min_umsatz MIO € ODER Mitarbeiter CRM > min_employees) UND wenn der SerpAPI Wiki Search Timestamp (AY) leer ist. Traegt gefundene URLs in Spalte M ein. Setzt ReEval-Flag (A) und loescht abhaengige Wiki-Spalten (N-V, AN, AO, AP, AX). Setzt Timestamp in Spalte AY, wann die Suche durchgefuehrt wurde (unabhaengig vom Ergebnis). Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (automatische Ermittlung basierend auf leeren AY). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU VERARBEITENDER (nicht uebersprungener) Zeilen. Defaults to None (Unbegrenzt). min_employees (int, optional): Mindestanzahl Mitarbeiter (Spalte K) als Teilfilter. Defaults to 500. min_umsatz (int, optional): Mindestumsatz in MIO € (Spalte J) als Teilfilter. Defaults to 200. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Batch-Laufs self.logger.info(f"Starte Modus 'find_wiki_serp' (AY, M, A). Filter: (Umsatz CRM > {min_umsatz} MIO € ODER Mitarbeiter CRM > {min_employees}). Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # <<< GEÄNDERT # --- Daten laden und Startzeile ermitteln --- # Automatische Ermittlung der Startzeile, wenn nicht manuell gesetzt if start_sheet_row is None: self.logger.info("Automatische Ermittlung der Startzeile basierend auf leeren AY...") # <<< GEÄNDERT # Nutzt get_start_row_index des Sheet Handlers (Block 14). Prueft auf leeren AY (Block 1 Column Map). # Standardmaessig ab Zeile 7 start_data_index_no_header = self.sheet_handler.get_start_row_index(check_column_key="SerpAPI Wiki Search Timestamp", min_sheet_row=7) # Wenn get_start_row_index -1 zurueckgibt (Fehler) if start_data_index_no_header == -1: self.logger.error("FEHLER bei automatischer Ermittlung der Startzeile. Breche Batch ab.") # <<< GEÄNDERT return # Beende die Methode # Berechne die 1-basierte Sheet-Startzeile aus dem 0-basierten Daten-Index start_sheet_row = start_data_index_no_header + self.sheet_handler._header_rows + 1 # Block 14 SheetHandler Attribut self.logger.info(f"Automatisch ermittelte Startzeile (erste leere AY Zelle): {start_sheet_row}") # <<< GEÄNDERT else: # Wenn start_sheet_row manuell gesetzt wurde, laden Sie die Daten trotzdem neu, um aktuell zu sein. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("FEHLER beim Laden der Daten fuer process_find_wiki_serp.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers(); # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows; total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den verarbeitungsbereich self.logger.info(f"Verarbeitungsbereich: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # <<< GEÄNDERT # Pruefe, ob der Bereich gueltig ist (Start <= Ende und Start nicht ueber Gesamtzeilen) if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") # <<< GEÄNDERT return # Beende die Methode, wenn der Bereich leer ist # --- Indizes und Buchstaben --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = [ "SerpAPI Wiki Search Timestamp", "Wiki URL", "CRM Umsatz", "CRM Anzahl Mitarbeiter", # AY, M, J, K (Pruefkriterien / Timestamp) "ReEval Flag", "CRM Name", "CRM Website", # A, B, D (Daten fuer Suche / Updates) "Wiki Absatz", "Wiki Branche", "Wiki Umsatz", "Wiki Mitarbeiter", "Wiki Kategorien", # N-R (Spalten zum Leeren) "Chat Wiki Konsistenzpruefung", "Chat Begruendung Wiki Inkonsistenz", "Chat Vorschlag Wiki Artikel", # S-U (Spalten zum Leeren) "Begruendung bei Abweichung", "Wikipedia Timestamp", "Timestamp letzte Pruefung", # V, AN, AO (Spalten zum Leeren) "Version", "Wiki Verif. Timestamp" # AP, AX (Spalten zum Leeren) ] # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer process_find_wiki_serp: {missing}. Breche ab.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Spaltenbuchstaben fuer Updates und Leerung (nutzt interne Helfer _get_col_letter Block 14) ts_ay_letter = self.sheet_handler._get_col_letter(col_indices["SerpAPI Wiki Search Timestamp"] + 1) # Timestamp zu setzen (AY) m_letter = self.sheet_handler._get_col_letter(col_indices["Wiki URL"] + 1) # Wiki URL Spalte (M) a_letter = self.sheet_handler._get_col_letter(col_indices["ReEval Flag"] + 1) # ReEval Flag (A) # Spalten N-V leeren. # N ist Wiki Absatz, V ist Begruendung bei Abweichung. n_idx = col_indices["Wiki Absatz"] v_idx = col_indices["Begruendung bei Abweichung"] # Erstellen Sie den Bereichsnamen (z.B. "N:V") n_letter = self.sheet_handler._get_col_letter(n_idx + 1) v_letter = self.sheet_handler._get_col_letter(v_idx + 1) nv_range_letter = f'{n_letter}:{v_letter}' # z.B. N:V # Erstellen Sie eine Liste von leeren Strings fuer diesen Bereich empty_nv_values = [''] * (v_idx - n_idx + 1) # Anzahl der Spalten = V_Index - N_Index + 1 # Timestamps AN, AO, AP, AX leeren. an_letter = self.sheet_handler._get_col_letter(col_indices["Wikipedia Timestamp"] + 1) # AN (Wiki Extraction TS) ao_letter = self.sheet_handler._get_col_letter(col_indices["Timestamp letzte Pruefung"] + 1) # AO (Chat Evaluation TS) ap_letter = self.sheet_handler._get_col_letter(col_indices["Version"] + 1) # AP (Version) ax_letter = self.sheet_handler._get_col_letter(col_indices["Wiki Verif. Timestamp"] + 1) # AX (Wiki Verif. TS) # --- Verarbeitung --- # Holen Sie die Batch-Groesse fuer Sheet-Updates aus Config (Block 1) update_batch_row_limit = getattr(Config, 'UPDATE_BATCH_ROW_LIMIT', 50) all_sheet_updates = [] # Gesammelte Updates fuer Batch-Schreiben ins Sheet (Liste von Dicts) processed_count = 0 # Zaehlt Zeilen, fuer die SerpAPI versucht wurde (im Rahmen des Limits zaehlen). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen wurden (verschiedene Gruende). found_urls_count = 0 # Zaehlt Zeilen, wo eine URL gefunden und eingetragen wurde. # Aktueller Zeitstempel fuer den AY Timestamp now_timestamp_str = datetime.now().strftime("%Y-%m-%d %H:%M:%S") # Iteriere durch die Datenzeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungen continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: SerpAPI Wiki Search Timestamp (AY) ist leer. # UND Wiki URL (M) ist leer oder "k.A.". # UND (Umsatz CRM (J) > min_umsatz MIO € ODER Mitarbeiter CRM (K) > min_employees). # Holen Sie die Werte aus den entsprechenden Spalten (nutzt interne Helfer _get_cell_value_safe) ay_value = self._get_cell_value_safe(row, "SerpAPI Wiki Search Timestamp").strip() # Block 1 Column Map m_value = self._get_cell_value_safe(row, "Wiki URL").strip() # Block 1 Column Map umsatz_val_str = self._get_cell_value_safe(row, "CRM Umsatz") # Block 1 Column Map ma_val_str = self._get_cell_value_safe(row, "CRM Anzahl Mitarbeiter") # Block 1 Column Map # Pruefen Sie, ob AY leer ist. is_ay_empty = not ay_value # Pruefen Sie, ob M leer oder "k.A." ist. is_m_empty_or_ka = not m_value or (isinstance(m_value, str) and m_value.lower() == "k.a.") # Nutze die globale Hilfsfunktion (Block 5), um die Werte fuer den Groessen-Filter zu bekommen. # get_numeric_filter_value gibt 0 fuer ungueltige/leere Werte zurueck. umsatz_val_mio = get_numeric_filter_value(umsatz_val_str, is_umsatz=True) ma_val_num = get_numeric_filter_value(ma_val_str, is_umsatz=False) # Pruefen Sie, ob das Groessen-Kriterium erfuellt ist. size_criteria_met = (umsatz_val_mio > min_umsatz) or (ma_val_num > min_employees) # Verarbeitung ist noetig, wenn AY leer ist UND M leer/k.A. ist UND das Groessen-Kriterium erfuellt ist. processing_needed_for_row = is_ay_empty and is_m_empty_or_ka and size_criteria_met # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: company_name = self._get_cell_value_safe(row, "CRM Name").strip() # Block 1 Column Map self.logger.debug(f"Zeile {i} ({company_name[:50]}... SerpAPI Wiki Search Check): AY leer? {is_ay_empty}, M leer/k.A.? {is_m_empty_or_ka}, Groesse ({umsatz_val_mio:.1f} Mio, {ma_val_num} MA) Kriterium ({min_umsatz} Mio, {min_employees} MA)? {size_criteria_met}. Benötigt Verarbeitung? {processing_needed_for_row}") # <<< GEÄNDERT # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Fuehre SerpAPI Suche aus --- processed_count += 1 # Zaehle die Zeile, fuer die SerpAPI versucht wird (im Rahmen des Limits zaehlen) # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer process_find_wiki_serp erreicht. Breche weitere Zeilenpruefung ab.") # <<< GEÄNDERT break # Brich die Schleife ab # Hole Firmenname und Website fuer die Suche (nutzt interne Helfer _get_cell_value_safe) company_name = self._get_cell_value_safe(row, "CRM Name").strip() # Block 1 Column Map website_url = self._get_cell_value_safe(row, "CRM Website").strip() # Block 1 Column Map (Website kann fuer SerpAPI Kontext hilfreich sein) # Wenn kein Firmenname vorhanden ist, kann die Suche nicht durchgefuehrt werden if not company_name: self.logger.warning(f"Zeile {i}: Uebersprungen (kein Firmenname fuer Suche vorhanden in Spalte B).") # <<< GEÄNDERT skipped_count += 1 # Zaehlen als uebersprungene Zeile, da Suche nicht moeglich # Setze AY Timestamp auch hier, um nicht immer wieder zu versuchen # Erstelle leeres Update-Dict, damit extend funktioniert updates = [] updates.append({'range': f'{ts_ay_letter}{i}', 'values': [[now_timestamp_str]]}) # Block 1 Column Map all_sheet_updates.extend(updates) # Fuege dieses einzelne Update zur Liste hinzu updates = [] # Leere die lokale Liste continue # Springe zur naechsten Zeile self.logger.info(f"Zeile {i}: Suche Wiki-URL fuer '{company_name[:100]}...' (Umsatz (Mio): {umsatz_val_mio:.1f}, MA: {ma_val_num}) ueber SerpAPI...") # <<< GEÄNDERT # Führe die SerpAPI Suche durch (nutzt globale Funktion Block 10 mit Retry). # serp_wikipedia_lookup ist mit retry_on_failure dekoriert (Block 2). # Wenn serp_wikipedia_lookup nach Retries fehlschlaegt, wirft er eine Exception. wiki_url_found = None # Initialisiere mit None try: wiki_url_found = serp_wikipedia_lookup(company_name, website=website_url) # Nutzt globalen Helfer (Block 10) # Wenn serp_wikipedia_lookup erfolgreich ist, gibt es die URL oder None zurueck. except Exception as e_serp_wiki: # Wenn serp_wikipedia_lookup eine Exception wirft (nach Retries) self.logger.error(f"FEHLER bei serp_wikipedia_lookup fuer Zeile {i} ('{company_name[:100]}...'): {e_serp_wiki}") # <<< GEÄNDERT # wiki_url_found bleibt None. Fahren Sie fort. pass # Fahren Sie fort, um Timestamp zu setzen und Updates vorzubereiten # --- Updates vorbereiten --- # Timestamp AY IMMER setzen, nachdem der Versuch gemacht wurde, unabhaengig vom Ergebnis der Suche. updates_for_row = [] # Lokale Liste fuer Updates dieser Zeile updates_for_row.append({'range': f'{ts_ay_letter}{i}', 'values': [[now_timestamp_str]]}) # Block 1 Column Map # Wenn eine URL gefunden wurde, bereite weitere Updates vor. # Eine gefundene URL ist ein String, der nicht None ist und nicht "k.A." oder Fehlerstring ist. if wiki_url_found and isinstance(wiki_url_found, str) and wiki_url_found.lower() not in ["k.a.", "kein artikel gefunden"] and not wiki_url_found.startswith("FEHLER"): # Korrektur Pruefung self.logger.info(f" -> URL gefunden: {wiki_url_found[:100]}... Bereite Update vor (Setze M, A; Loesche N-V, AN, AO, AP, AX).") # <<< GEÄNDERT found_urls_count += 1 # Zaehle den Fund # Setze M (Wiki URL) mit der gefundenen URL updates_for_row.append({'range': f'{m_letter}{i}', 'values': [[wiki_url_found]]}) # Block 1 Column Map # Setze ReEval Flag (A) auf 'x' (signalisiert, dass eine Re-Evaluation noetig ist) updates_for_row.append({'range': f'{a_letter}{i}', 'values': [['x']]}) # Block 1 Column Map # Leere Spalten N-V. # Fuege das Update zum Leeren des Bereichs V-Y hinzu, falls der Bereichsname ermittelt werden konnte. if nv_range_letter: # Pruefe, ob der Bereichsname ermittelt werden konnte. updates_for_row.append({'range': f'{n_letter}{i}:{v_letter}{i}', 'values': [empty_nv_values]}) # Block 1 Column Map, lokale Variable else: self.logger.warning(f"Konnte Spaltenbereich N-V ({n_letter}:{v_letter}) fuer Leerung nicht ermitteln fuer Zeile {i}. Leerung uebersprungen.") # <<< GEÄNDERT # Leere Timestamps AN, AO, AP, AX. # Dies setzt die Zeile zurueck, damit andere Schritte sie spaeter bearbeiten. updates_for_row.append({'range': f'{an_letter}{i}', 'values': [['']]}) # Block 1 Column Map updates_for_row.append({'range': f'{ao_letter}{i}', 'values': [['']]}) # Block 1 Column Map updates_for_row.append({'range': f'{ap_letter}{i}', 'values': [['']]}) # Block 1 Column Map updates_for_row.append({'range': f'{ax_letter}{i}', 'values': [['']]}) # Block 1 Column Map else: # Wenn keine Wiki-URL ueber SerpAPI gefunden wurde self.logger.debug(f" -> Keine Wiki-URL fuer '{company_name[:100]}...' ueber SerpAPI gefunden.") # <<< GEÄNDERT # Nur AY Timestamp wird gesetzt, was bereits oben passiert ist. Keine weiteren Updates fuer M, A, N-V etc. # Sammle die Updates fuer diese Zeile in der globalen Liste. all_sheet_updates.extend(updates_for_row) # Sende gesammelte Sheet Updates, wenn das Update-Batch-Limit erreicht ist. # update_batch_row_limit wird aus Config geholt (Block 1). # Die Anzahl der Updates pro Zeile variiert (1 bei nicht gefunden, ca. 10+ bei gefunden). # Pruefen Sie einfach die Laenge der gesammelten Liste. if len(all_sheet_updates) >= update_batch_row_limit * 5: # Grobe Schaetzung: im Schnitt 5 Updates pro Zeile self.logger.debug(f" Sende gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. # Wenn es fehlschlaegt, wird es intern geloggt. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f" Sheet-Update fuer {len(all_sheet_updates)} Zellen erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Leere die gesammelten Updates nach dem Senden. all_sheet_updates = [] # Kleine Pause nach jeder SerpAPI-Suche (nutzt Config Block 1). # Der retry_on_failure Decorator (Block 2) kuemmert sich um Retries mit Backoff. # Dies ist eine globale Rate-Limit-Vorsorge zwischen einzelnen Anfragen. serp_delay = getattr(Config, 'SERPAPI_DELAY', 1.5) #self.logger.debug(f"Warte {serp_delay:.2f}s nach SerpAPI Suche...") # Zu viel Laerm im Debug time.sleep(serp_delay) # --- Finale Sheet Updates senden --- # Sende alle verbleibenden gesammelten Updates in einem letzten Batch-Update. if all_sheet_updates: self.logger.info(f"Sende FINALE gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f"FINALES Sheet-Update erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Logge den Abschluss des Modus self.logger.info(f"Modus 'find_wiki_serp' abgeschlossen. {processed_count} Zeilen verarbeitet (in Batch aufgenommen), {found_urls_count} URLs gefunden & eingetragen, {skipped_count} Zeilen uebersprungen.") # <<< GEÄNDERT # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # --- Methode fuer den Contact Search Batchmodus (AM, AI-AL) --- # Diese Methode sucht LinkedIn Kontakte ueber SerpAPI und traegt Trefferzahlen ins Sheet ein. # Basierend auf process_contact_research aus Teil 10. # Nutzt interne Helfer: _get_cell_value_safe, _get_col_letter. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, Config (Block 1), datetime, time, # search_linkedin_contacts (Block 10), get_gender (Block 5), get_email_address (Block 5). # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_contact_search(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ Sucht LinkedIn Kontakte ueber SerpAPI fuer Zeilen, bei denen der Contact Search Timestamp (AM) leer ist. Traegt Trefferzahlen in AI-AL und den Timestamp in AM ein. Schreibt Details optional in ein 'Contacts' Blatt. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (automatische Ermittlung basierend auf leeren AM). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU VERARBEITENDER (nicht uebersprungener) Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Batch-Laufs self.logger.info(f"Starte Contact Research (Batch AM, AI-AL). Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # <<< GEÄNDERT # --- Daten laden und Startzeile ermitteln --- # Automatische Ermittlung der Startzeile, wenn nicht manuell gesetzt if start_sheet_row is None: self.logger.info("Automatische Ermittlung der Startzeile basierend auf leeren AM...") # <<< GEÄNDERT # Nutzt get_start_row_index des Sheet Handlers (Block 14). Prueft auf leeren AM (Block 1 Column Map). # Standardmaessig ab Zeile 7 start_data_index_no_header = self.sheet_handler.get_start_row_index(check_column_key="Contact Search Timestamp", min_sheet_row=7) # Wenn get_start_row_index -1 zurueckgibt (Fehler) if start_data_index_no_header == -1: self.logger.error("FEHLER bei automatischer Ermittlung der Startzeile. Breche Batch ab.") # <<< GEÄNDERT return # Beende die Methode # Berechne die 1-basierte Sheet-Startzeile aus dem 0-basierten Daten-Index start_sheet_row = start_data_index_no_header + self.sheet_handler._header_rows + 1 # Block 14 SheetHandler Attribut self.logger.info(f"Automatisch ermittelte Startzeile (erste leere AM Zelle): {start_sheet_row}") # <<< GEÄNDERT else: # Wenn start_sheet_row manuell gesetzt wurde, laden Sie die Daten trotzdem neu, um aktuell zu sein. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("FEHLER beim Laden der Daten fuer process_contact_search.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers() # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den verarbeitungsbereich self.logger.info(f"Verarbeitungsbereich: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # <<< GEÄNDERT # Pruefe, ob der Bereich gueltig ist (Start <= Ende und Start nicht ueber Gesamtzeilen) if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") # <<< GEÄNDERT return # Beende die Methode, wenn der Bereich leer ist # --- Indizes und Buchstaben --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = [ "Contact Search Timestamp", # AM - Pruefkriterium / Timestamp "CRM Name", "CRM Kurzform", "CRM Website", # B, C, D (Daten fuer Suche) "Linked Serviceleiter gefunden", "Linked It-Leiter gefunden", # AI, AJ (Zielspalten fuer Trefferzahlen) "Linked Management gefunden", "Linked Disponent gefunden" # AK, AL (Zielspalten fuer Trefferzahlen) ] # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer process_contact_search: {missing}. Breche ab.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Spaltenbuchstaben fuer Updates (AI-AL, AM) (nutzt interne Helfer _get_col_letter Block 14) ts_am_letter = self.sheet_handler._get_col_letter(col_indices["Contact Search Timestamp"] + 1) # AM ai_letter = self.sheet_handler._get_col_letter(col_indices["Linked Serviceleiter gefunden"] + 1) # AI aj_letter = self.sheet_handler._get_col_letter(col_indices["Linked It-Leiter gefunden"] + 1) # AJ ak_letter = self.sheet_handler._get_col_letter(col_indices["Linked Management gefunden"] + 1) # AK al_letter = self.sheet_handler._get_col_letter(col_indices["Linked Disponent gefunden"] + 1) # AL # Positionen, nach denen gesucht wird (kann in Config verschoben werden Block 1) # Die Zuordnung zur Zaehlspalte (AI-AL) muss hier im Code erfolgen. positions_to_search = { "Serviceleiter": ["Serviceleiter", "Leiter Kundendienst", "Einsatzleiter"], "IT-Leiter": ["IT-Leiter", "Leiter IT"], "Management": ["Geschäftsführer", "Vorstand", "Inhaber", "CEO", "CTO", "COO", "Kaufmännischer Leiter", "Technischer Leiter"], # Management erweitert "Disponent": ["Disponent", "Einsatzplaner"] # Disponent erweitert } # Stellen Sie sicher, dass die Schluessel im Dict den COLUMN_MAP Keys (AI-AL) entsprechen, # damit die Zaehlung korrekt zugeordnet werden kann. # --- Kontakte-Blatt oeffnen oder erstellen --- contacts_sheet = None # Initialisiere mit None # Der Zugriff auf das Spreadsheet-Objekt erfolgt ueber den SheetHandler (Block 14). if self.sheet_handler and self.sheet_handler.sheet and self.sheet_handler.sheet.spreadsheet: try: # Versuche, das Sheet "Contacts" zu oeffnen contacts_sheet = self.sheet_handler.sheet.spreadsheet.worksheet("Contacts") self.logger.info("Blatt 'Contacts' gefunden.") # <<< GEÄNDERT except gspread.exceptions.WorksheetNotFound: # Wenn nicht gefunden, erstelle es. self.logger.info("Blatt 'Contacts' nicht gefunden, erstelle neu...") # <<< GEÄNDERT try: # Definieren Sie den Header fuer das neue Blatt contacts_header = ["Firmenname", "CRM Kurzform", "Website", "Geschlecht", "Vorname", "Nachname", "Position", "Suchbegriffskategorie", "E-Mail-Adresse", "LinkedIn-Link", "Timestamp"] # Schaetzen Sie die Anzahl der Zeilen und Spalten fuer das neue Blatt (kann angepasst werden) num_cols_contacts_sheet = len(contacts_header) # Erstellen Sie das neue Blatt contacts_sheet = self.sheet_handler.sheet.spreadsheet.add_worksheet(title="Contacts", rows="5000", cols=num_cols_contacts_sheet) # Schreiben Sie den Header in die erste Zeile des neuen Blattes # Nutzt _get_col_letter interne Methode des SheetHandlers (Block 14) contacts_sheet.update(values=[contacts_header], range_name=f"A1:{self.sheet_handler._get_col_letter(num_cols_contacts_sheet)}1") self.logger.info("Neues Blatt 'Contacts' erstellt und Header eingetragen.") # <<< GEÄNDERT except Exception as e_create_sheet: # Fange Fehler bei der Erstellung des Blattes ab und logge sie. self.logger.critical(f"FEHLER: Konnte Blatt 'Contacts' nicht erstellen: {e_create_sheet}. Kontakt-Details koennen NICHT gespeichert werden.") # <<< GEÄNDERT # Logge den Traceback. self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT contacts_sheet = None # Setze contacts_sheet auf None, um spaetere Schreibversuche zu verhindern else: # Wenn SheetHandler oder Sheet-Objekt nicht verfuegbar war. self.logger.warning("SheetHandler oder Sheet-Objekt nicht verfuegbar. Kann Blatt 'Contacts' nicht oeffnen/erstellen. Kontakt-Details werden NICHT gespeichert.") # <<< GEÄNDERT contacts_sheet = None # Sicherstellen, dass contacts_sheet None ist # --- Verarbeitung --- all_sheet_updates = [] # Gesammelte Updates fuer Batch-Schreiben ins Hauptblatt (Liste von Dicts) all_contact_rows_to_append = [] # Gesammelte Zeilen fuer append_rows ins Contacts-Blatt (Liste von Listen) # append_rows kann grosse Batches handhaben, wir koennen hier mehr sammeln als beim Batch-Update. # Oder wir schreiben pro Firma in das Contacts-Blatt (weniger sammelbar). # Fuer diesen Modus sammeln wir alle Kontaktzeilen und schreiben am Ende gesammelt mit append_rows. processed_count = 0 # Zaehlt Zeilen im Hauptblatt, die fuer die Verarbeitung in Frage kommen und in den Batch aufgenommen werden (im Rahmen des Limits). skipped_count = 0 # Zaehlt Zeilen im Hauptblatt, die uebersprungen wurden (wegen AM oder fehlender Daten). # Aktueller Zeitstempel fuer die AM Timestamp und Kontaktzeilen now_timestamp_str = datetime.now().strftime("%Y-%m-%d %H:%M:%S") # Iteriere durch die Datenzeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungen continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Contact Search Timestamp (AM) ist leer. # ZUSAETZLICH: Pruefen, ob CRM Name, Kurzform und Website vorhanden und gueltig sind. # Holen Sie den Wert aus Spalte AM (Contact Search Timestamp) (nutzt interne Helfer _get_cell_value_safe) am_value = self._get_cell_value_safe(row, "Contact Search Timestamp").strip() # Block 1 Column Map # Pruefung basiert darauf, ob AM leer ist. processing_needed_based_on_status = not am_value # Holen Sie die benoetigten Daten fuer die Suche (nutzt interne Helfer _get_cell_value_safe) company_name = self._get_cell_value_safe(row, "CRM Name").strip() # Block 1 Column Map crm_kurzform = self._get_cell_value_safe(row, "CRM Kurzform").strip() # Block 1 Column Map website = self._get_cell_value_safe(row, "CRM Website").strip() # Block 1 Column Map # Pruefen Sie, ob die Mindestdaten fuer die Suche vorhanden und gueltig sind. # Name und Kurzform duerfen nicht leer sein. Website muss vorhanden und gueltig aussehen. has_min_data_for_search = company_name and crm_kurzform and website and isinstance(website, str) and website.lower() not in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"] # Fuege "http:" hinzu # Verarbeitung ist noetig, wenn AM leer ist UND die Mindestdaten fuer die Suche vorhanden sind. processing_needed_for_row = processing_needed_based_on_status and has_min_data_for_search # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: company_name_log = company_name[:50] + '...' if len(company_name) > 50 else company_name # Gekuerzt loggen self.logger.debug(f"Zeile {i} ({company_name_log} Contact Check): AM leer? {processing_needed_based_on_status}, Mindestdaten gueltig? {has_min_data_for_search}. Benötigt Verarbeitung? {processing_needed_for_row}") # <<< GEÄNDERT # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Fuehre LinkedIn Suche(n) aus --- processed_count += 1 # Zaehle die Zeile, die fuer die Verarbeitung in Frage kommt (im Rahmen des Limits zaehlen) # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer process_contact_search erreicht. Breche weitere Zeilenpruefung ab.") # <<< GEÄNDERT break # Brich die Schleife ab self.logger.info(f"Zeile {i}: Suche LinkedIn Kontakte fuer '{crm_kurzform[:50]}...' ({website[:50]}...)...") # <<< GEÄNDERT all_found_contacts_for_row = [] # Liste zum Sammeln aller gefundenen Kontakte fuer DIESE Zeile (Liste von Dicts) contact_counts_for_row = {key: 0 for key in positions_to_search.keys()} # Dictionary zum Zaehlen der Treffer pro Kategorie fuer diese Zeile (AI-AL) # Führe die Suche fuer jede Positionskategorie durch. # positions_to_search Dictionary ist oben definiert. for category, queries in positions_to_search.items(): # Führe die Suche fuer jede spezifische Abfrage innerhalb der Kategorie durch. # search_linkedin_contacts (Block 10) nutzt den retry_on_failure Decorator (Block 2). # Wenn search_linkedin_contacts fehlschlaegt, wirft es eine Exception oder gibt eine leere Liste zurueck. found_contacts_in_category = {} # Dictionary zum Sammeln eindeutiger Kontakte {linkedin_url: contact_data} fuer diese Kategorie for position_query in queries: self.logger.debug(f" -> Suche nach Position: '{position_query}' bei '{crm_kurzform[:50]}'...") # <<< GEÄNDERT try: # Rufe die globale Funktion search_linkedin_contacts auf (Block 10). # Limitieren Sie die Anzahl der SerpAPI Ergebnisse pro Query, um Kosten zu managen. contacts_from_query = search_linkedin_contacts( company_name=company_name, # Voller Name fuer Kontext (optional genutzt) website=website, # Website fuer Email-Generierung spaeter position_query=position_query, # Die spezifische Position crm_kurzform=crm_kurzform, # Die Kurzform der Firma num_results=getattr(Config, 'SERPAPI_LINKEDIN_RESULTS_PER_QUERY', 5) # Konfigurierbar in Config (Block 1) ) # Fuege die gefundenen Kontakte (mit Suchkategorie) zur Liste fuer diese Kategorie hinzu, dedupliziert ueber URL. for contact in contacts_from_query: linkedin_url = contact.get("LinkedInURL") if linkedin_url and isinstance(linkedin_url, str) and linkedin_url.strip(): # Stelle sicher, dass URL gueltig ist if linkedin_url not in found_contacts_in_category: # Wenn die URL noch nicht in dieser Kategorie gefunden wurde, fuege den Kontakt hinzu. contact["Suchbegriffskategorie"] = category # Speichere die Kategorie, die den Treffer brachte found_contacts_in_category[linkedin_url] = contact # else: Wenn die URL bereits gefunden wurde, mache nichts (erste Kategorie wird beibehalten). # self.logger.debug(f" -> Gefunden: {contact.get('Vorname')} {contact.get('Nachname')} ({contact.get('Position')})") # Zu viel Laerm im Debug except Exception as e_linkedin_search: # Wenn search_linkedin_contacts eine Exception wirft (nach Retries) # Der Fehler wird bereits vom retry_on_failure Decorator oder search_linkedin_contacts geloggt. self.logger.error(f"FEHLER bei search_linkedin_contacts fuer Zeile {i} (Query: '{position_query}', Firma: '{crm_kurzform[:50]}...'): {e_linkedin_search}") # <<< GEÄNDERT pass # Faert fort mit der naechsten Query oder Kategorie # Pause nach jeder SerpAPI Suche (pro position_query) # Nutzt Config.SERPAPI_DELAY (Block 1). serp_delay = getattr(Config, 'SERPAPI_DELAY', 1.5) #self.logger.debug(f"Warte {serp_delay:.2f}s nach LinkedIn Suche fuer '{position_query}'...") # Zu viel Laerm im Debug time.sleep(serp_delay) # Zaehle die eindeutigen Treffer in dieser Kategorie nach allen Queries innerhalb der Kategorie. contact_counts_for_row[category] = len(found_contacts_in_category) # Fuege die eindeutigen Kontakte DIESER Kategorie zur Gesamtliste fuer DIESE Zeile hinzu. all_found_contacts_for_row.extend(found_contacts_in_category.values()) # --- Verarbeite gefundene Kontakte und bereite Updates vor --- rows_to_append_to_contacts_sheet = [] # Liste von Listen fuer append_rows ins 'Contacts' Blatt main_sheet_updates_for_row = [] # Updates fuer das Hauptblatt (AI-AL, AM) fuer DIESE Zeile timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") # Timestamp fuer DIESE Zeile/Kontakte # Fuegen Sie die Updates fuer die Trefferzahlen im Hauptblatt hinzu (nutzt interne Helfer _get_col_letter Block 14) # Stellen Sie sicher, dass die Spaltenbuchstaben korrekt sind (AI, AJ, AK, AL) (aus oben ermittelt) main_sheet_updates_for_row.append({'range': f'{ai_letter}{i}', 'values': [[str(contact_counts_for_row.get("Serviceleiter", 0))]]}) main_sheet_updates_for_row.append({'range': f'{aj_letter}{i}', 'values': [[str(contact_counts_for_row.get("IT-Leiter", 0))]]}) main_sheet_updates_for_row.append({'range': f'{ak_letter}{i}', 'values': [[str(contact_counts_for_row.get("Management", 0))]]}) main_sheet_updates_for_row.append({'range': f'{al_letter}{i}', 'values': [[str(contact_counts_for_row.get("Disponent", 0))]]}) # Setze den Contact Search Timestamp (AM) fuer DIESE Zeile main_sheet_updates_for_row.append({'range': f'{ts_am_letter}{i}', 'values': [[timestamp]]}) # Sammeln Sie diese Updates fuer das Hauptblatt in der globalen Liste all_sheet_updates. all_sheet_updates.extend(main_sheet_updates_for_row) self.logger.info(f"Zeile {i}: Kontaktzahlen gesammelt: {contact_counts_for_row} – Timestamp AM vorgemerkt fuer Update.") # <<< GEÄNDERT # Bereiten Sie die Zeilen fuer das 'Contacts' Blatt vor (falls es existiert). # all_found_contacts_for_row enthaelt alle gefundenen Kontakte fuer DIESE Zeile (mit evtl. Duplikaten bei URL). if contacts_sheet: # Pruefen Sie, ob das Contacts-Sheet geoeffnet/erstellt werden konnte (siehe Initialisierung oben) # Führen Sie eine finale Deduplizierung ueber die LinkedIn-URL durch. # Dictionary-Comprehension behält nur das letzte Vorkommen bei Duplikaten. unique_contacts_for_row_dict = {c['LinkedInURL']: c for c in all_found_contacts_for_row if c.get('LinkedInURL')} # Filtere Kontakte ohne URL unique_contacts_for_row = list(unique_contacts_for_row_dict.values()) # Liste der eindeutigen Kontakte # Iteriere ueber die eindeutigen Kontakte fuer diese Zeile for contact in unique_contacts_for_row: firstname = contact.get("Vorname", "") # Nutzt den extrahierten Vornamen lastname = contact.get("Nachname", "") # Nutzt den extrahierten Nachnamen # Generiere Geschlecht und E-Mail-Adresse (nutzt globale Funktionen Block 5). # get_gender und get_email_address behandeln leere/ungueltige Eingaben. gender_value = get_gender(firstname) email = get_email_address(firstname, lastname, website) # Nutzt die Website der Firma (initial geladen) # Erstellen Sie die Liste der Werte fuer eine Zeile im 'Contacts' Blatt. contact_row = [ contact.get("Firmenname", ""), # Voller Firmenname contact.get("CRM Kurzform", ""), # Firmenkurzform contact.get("Website", ""), # Website der Firma gender_value, # Generiertes Geschlecht firstname, # Extrahierter Vorname lastname, # Extrahierter Nachname contact.get("Position", ""), # Extrahierte oder Fallback Position contact.get("Suchbegriffskategorie", ""), # Kategorie, die den Treffer brachte email, # Generierte E-Mail-Adresse contact.get("LinkedInURL", ""), # URL des LinkedIn Profils timestamp # Zeitstempel des Suchlaufs ] # Fuegen Sie diese Zeile zur Liste der Zeilen hinzu, die spaeter ins Contacts-Sheet geschrieben werden. rows_to_append_to_contacts_sheet.append(contact_row) # Wenn Zeilen zum Anfuegen gefunden wurden if rows_to_append_to_contacts_sheet: # Fuegen Sie diese Zeilen zur globalen Liste aller Kontakte hinzu, die spaeter angefuegt werden. all_contact_rows_to_append.extend(rows_to_append_to_contacts_sheet) self.logger.debug(f" -> {len(rows_to_append_to_contacts_sheet)} eindeutige Kontakte fuer Zeile {i} zum Anfuegen an 'Contacts' vorgemerkt.") # <<< GEÄNDERT else: self.logger.debug(f" -> Keine neuen Kontakte fuer Zeile {i} gefunden.") # <<< GEÄNDERT # Sende gesammelte Sheet Updates (Hauptblatt) wenn das Update-Batch-Limit erreicht ist. # update_batch_row_limit wird aus Config geholt (Block 1). # Updates pro Zeile im Hauptblatt sind 5 (AI-AL + AM). Anzahl der Zeilen = len(all_sheet_updates) / 5. rows_in_main_sheet_update_batch = len(all_sheet_updates) // 5 if rows_in_main_sheet_update_batch >= update_batch_row_limit: self.logger.debug(f" Sende gesammelte Hauptblatt-Updates ({rows_in_main_sheet_update_batch} Zeilen, {len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. # Wenn es fehlschlaegt, wird es intern geloggt. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f" Hauptblatt-Update fuer {rows_in_main_sheet_update_batch} Zeilen erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Leere die gesammelten Updates nach dem Senden. all_sheet_updates = [] # Eine laengere Pause nach der Verarbeitung jeder Firma im Contact Search Modus. # Dieser Modus ist API-intensiv und sollte langsamer laufen. # Nutzt Config.RETRY_DELAY (Block 1). pause_duration = getattr(Config, 'RETRY_DELAY', 10) * 0.8 # Laengere Pause, z.B. 80% der Retry-Wartezeit self.logger.debug(f"Warte {pause_duration:.2f}s nach Verarbeitung von Zeile {i}...") # <<< GEÄNDERT time.sleep(pause_duration) # --- Finale Sheet Updates (Hauptblatt) senden --- # Sende alle verbleibenden gesammelten Updates in einem letzten Batch-Update. if all_sheet_updates: rows_in_final_main_sheet_update_batch = len(all_sheet_updates) // 5 self.logger.info(f"Sende FINALE gesammelte Hauptblatt-Updates ({rows_in_final_main_sheet_update_batch} Zeilen, {len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f"FINALES Hauptblatt-Update erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # --- Finale Kontakte-Zeilen (Contacts Sheet) anfuegen --- # Fuege alle gesammelten Kontaktzeilen auf einmal ans Ende des 'Contacts' Blattes an. if contacts_sheet and all_contact_rows_to_append: self.logger.info(f"Fuege {len(all_contact_rows_to_append)} gesammelte Kontaktzeilen an Blatt 'Contacts' an...") # <<< GEÄNDERT try: # append_rows ist effizienter als batch_update fuer viele neue Zeilen am Ende. # Die gspread.Worksheet.append_rows Methode kann Exceptions werfen (z.B. APIError), # die hier gefangen werden koennen, wenn gewuenscht. # Wenn sie eine Exception wirft, wird diese nicht von retry_on_failure auf # process_contact_search behandelt, da append_rows nicht mit @retry_on_failure # dekoriert ist. Sie muessten append_rows selbst in einen try/except Block packen oder # es mit @retry_on_failure dekorieren (falls gspread es unterstuetzt). # Fuer jetzt, fangen wir die Exception hier. contacts_sheet.append_rows(all_contact_rows_to_append, value_input_option='USER_ENTERED') # Standard Option self.logger.info(f"Anfuegen von {len(all_contact_rows_to_append)} Kontaktzeilen erfolgreich.") # <<< GEÄNDERT except Exception as e_append: # Fange Fehler beim Anfuegen der Zeilen ab und logge sie. self.logger.error(f"FEHLER beim Anfuegen von Kontaktzeilen an Blatt 'Contacts': {type(e_append).__name__} - {e_append}") # <<< GEÄNDERT # Logge den Traceback. self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT pass # Faert fort, der Rest des Skripts sollte nicht blockiert werden # Logge den Abschluss des Modus self.logger.info(f"Modus 'contact_search' abgeschlossen. {processed_count} Zeilen verarbeitet (in Batch aufgenommen), {skipped_count} Zeilen uebersprungen.") # <<< GEÄNDERT # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # ============================================================================== # Ende DataProcessor Klasse Batch: SerpAPI Suchen & Contacts Block # ============================================================================== # ========================================================================== # === Utility Methods (ML Data Prep & Training) ============================ # ========================================================================== # --- Methode fuer ML Vorhersage (AU) --- # Diese Methode wird in _process_single_row (Block 21) aufgerufen, wenn der ML-Schritt angefordert ist und noetig ist. # Sie fuehrt eine Vorhersage des Servicetechniker-Buckets fuer eine einzelne Zeile mit dem trainierten ML-Modell durch. # Sie nutzt das geladene Modell und den Imputer (Attribute der DataProcessor Instanz). # Nutzt interne Helfer: _get_cell_value_safe, _load_ml_model (denselben Block). # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, pandas, numpy, re, clean_text (Block 4), get_numeric_filter_value (Block 5). def _predict_technician_bucket(self, row_data): """ Fuehrt eine Vorhersage des Servicetechniker-Buckets fuer eine einzelne Zeile mit dem trainierten ML-Modell durch. Laedt das Modell und den Imputer bei Bedarf. Args: row_data (list): Die Rohdaten fuer die Zeile. Returns: str: Der vorhergesagte Bucket-Label oder "FEHLER Schaetzung" bei Fehler/kein Ergebnis. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge den Start der ML-Schaetzung fuer diese Zeile company_name = self._get_cell_value_safe(row_data, 'CRM Name').strip() # Block 1 Column Map self.logger.debug(f"Versuche ML-Schaetzung fuer Zeile ({company_name[:50]}...)") # <<< GEÄNDERT # Laden Sie das Modell, den Imputer und die erwarteten Feature-Spalten, falls noch nicht geschehen. # Diese werden als Attribute der DataProcessor Instanz gespeichert (_load_ml_model denselben Block). if self.model is None or self.imputer is None or self._expected_features is None: self.logger.info("Lade ML-Modell, Imputer und Feature-Spalten...") # <<< GEÄNDERT try: # Der Aufruf von _load_ml_model (denselben Block) ist nicht mit retry_on_failure dekoriert, # da das Laden lokaler Dateien nicht wiederholt werden muss. Fehler deuten auf ein permanentes Problem hin. self._load_ml_model(MODEL_FILE, IMPUTER_FILE) # Nutzt globale Konstanten (Block 1) # Pruefe erneut, ob das Laden erfolgreich war. if self.model is None or self.imputer is None or self._expected_features is None: self.logger.error("Laden von Modell, Imputer oder Feature-Spalten fehlgeschlagen. Kann ML-Schaetzung nicht durchfuehren.") # <<< GEÄNDERT return "FEHLER Schaetzung" # Gebe Fehlerwert zurueck, wenn Laden fehlschlug self.logger.info("ML-Modell, Imputer und Feature-Spalten erfolgreich geladen.") # <<< GEÄNDERT except Exception as e: # Fange Fehler beim Laden ab und logge sie. self.logger.error(f"FEHLER beim Laden von ML-Modell/Imputer/Feature-Spalten: {e}") # <<< GEÄNDERT # Logge den Traceback. self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT # Geben Sie einen Fehlerwert zurueck. return f"FEHLER Laden: {str(e)[:100]}..." # Signalisiert Ladefehler (gekuerzt) # --- Bereiten Sie die Daten fuer DIESE EINE ZEILE fuer die Vorhersage vor --- try: # Diese Logik ist aehnlich wie in prepare_data_for_modeling (denselben Block), # aber nur fuer eine einzelne Zeile und muss mit den exakt gleichen # Spaltennamen, Normalisierungs- und Encoding-Schritten arbeiten wie das Training. # Hole die benoetigten Spaltenwerte fuer diese Zeile (basierend auf COLUMN_MAP keys Block 1) row_values = { # "CRM Name": self._get_cell_value_safe(row_data, "CRM Name"), # Nicht benoetigt fuer Vorhersage "CRM Branche": self._get_cell_value_safe(row_data, "CRM Branche"), # Block 1 Column Map "CRM Umsatz": self._get_cell_value_safe(row_data, "CRM Umsatz"), # Block 1 Column Map "Wiki Umsatz": self._get_cell_value_safe(row_data, "Wiki Umsatz"), # Block 1 Column Map "CRM Anzahl Mitarbeiter": self._get_cell_value_safe(row_data, "CRM Anzahl Mitarbeiter"), # Block 1 Column Map "Wiki Mitarbeiter": self._get_cell_value_safe(row_data, "Wiki Mitarbeiter"), # Block 1 Column Map # Technikerzahl wird fuer die Vorhersage NICHT benoetigt # "CRM Anzahl Techniker": self._get_cell_value_safe(row_data, "CRM Anzahl Techniker"), } # Erstellen Sie einen temporaeren DataFrame fuer diese eine Zeile aus den extrahierten Werten df_single_row = pd.DataFrame([row_values]) # --- Konsolidieren Umsatz/Mitarbeiter (Wiki > CRM) --- # Nutzt globale Funktion get_numeric_filter_value (Block 5) - ERSETZT get_valid_numeric # Diese Funktion gibt numerische Werte (Float/Int) oder 0/NaN zurueck. # Stellen Sie sicher, dass die Spalten existieren, bevor apply aufgerufen wird. # Diese Spalten sollten aus row_values extrahiert worden sein, wenn COLUMN_MAP korrekt ist. crm_umsatz_series = df_single_row['CRM Umsatz'].apply(lambda x: get_numeric_filter_value(x, is_umsatz=True)) if 'CRM Umsatz' in df_single_row.columns else pd.Series(np.nan, index=df_single_row.index) # KORRIGIERT: Lambda hinzugefügt wiki_umsatz_series = df_single_row['Wiki Umsatz'].apply(lambda x: get_numeric_filter_value(x, is_umsatz=True)) if 'Wiki Umsatz' in df_single_row.columns else pd.Series(np.nan, index=df_single_row.index) # KORRIGIERT: Lambda hinzugefügt crm_ma_series = df_single_row['CRM Anzahl Mitarbeiter'].apply(lambda x: get_numeric_filter_value(x, is_umsatz=False)) if 'CRM Anzahl Mitarbeiter' in df_single_row.columns else pd.Series(np.nan, index=df_single_row.index) # KORRIGIERT: Lambda hinzugefügt wiki_ma_series = df_single_row['Wiki Mitarbeiter'].apply(lambda x: get_numeric_filter_value(x, is_umsatz=False)).astype(float) if 'Wiki Mitarbeiter' in df_single_row.columns else pd.Series(np.nan, index=df_single_row.index) # KORRIGIERT: Lambda hinzugefügt # np.where waehlt den Wiki-Wert, wenn er nicht 0/NaN ist, sonst den CRM-Wert. # WICHTIG: 0 ist hier das Kennzeichen fuer ungueltig/nicht parsebar/k.A. in get_numeric_filter_value df_single_row['Finaler_Umsatz'] = np.where( (wiki_umsatz_series.notna()) & (wiki_umsatz_series > 0), # Wenn Wiki-Wert vorhanden UND > 0 wiki_umsatz_series, crm_umsatz_series ) df_single_row['Finaler_Mitarbeiter'] = np.where( (wiki_ma_series.notna()) & (wiki_ma_series > 0), # Wenn Wiki-Wert vorhanden UND > 0 wiki_ma_series, crm_ma_series ) # Pruefen Sie, ob die konsolidierten numerischen Features NaN sind (nachdem 0 als NaN behandelt wird). # Ersetzen Sie 0 explizit durch NaN für die Imputation, falls get_numeric_filter_value 0 zurückgibt. df_single_row['Finaler_Umsatz'] = df_single_row['Finaler_Umsatz'].replace(0, np.nan) df_single_row['Finaler_Mitarbeiter'] = df_single_row['Finaler_Mitarbeiter'].replace(0, np.nan) # ML-Vorhersage kann nicht durchgefuehrt werden, wenn diese komplett fehlen (werden vom Imputer erwartet). if pd.isna(df_single_row['Finaler_Umsatz'].iloc[0]) and pd.isna(df_single_row['Finaler_Mitarbeiter'].iloc[0]): self.logger.debug(f" -> ML-Schaetzung uebersprungen: Konsolidierter Umsatz und Mitarbeiter fehlen fuer Zeile.") # <<< GEÄNDERT return "k.A. (Daten fehlen)" # Gebe spezifischen Wert zurueck # --- Kategoriale Features (Branche) --- branche_col_name = "CRM Branche" # Original Header Name aus COLUMN_MAP (Block 1) # Stellen Sie sicher, dass die Spalte existiert und ein String ist. Fuellen Sie NaNs mit 'Unbekannt'. if branche_col_name not in df_single_row.columns: self.logger.warning(f"Spalte '{branche_col_name}' nicht im DataFrame fuer ML-Vorhersage gefunden. Behandle als 'Unbekannt'.") # <<< GEÄNDERT df_single_row[branche_col_name] = 'Unbekannt' # Setze einen Default-Wert df_single_row[branche_col_name] = df_single_row[branche_col_name].astype(str).fillna('Unbekannt').str.strip() # One-Hot Encoding # WICHTIG: Muss alle BRANCHEN aus dem TRAININGSDATENSATZ (self._expected_features) enthalten, # auch wenn diese in der einzelnen Zeile nicht vorkommen. # pd.get_dummies erstellt Spalten nur fuer die Kategorien in df_single_row. df_encoded = pd.get_dummies(df_single_row, columns=[branche_col_name], prefix='Branche', dummy_na=False) # dummy_na=False, da NaNs gefuellt # Fugen Sie fehlende Feature-Spalten hinzu (die im Training vorhanden waren, aber in dieser Zeile nicht). # Stellen Sie die Reihenfolge der Spalten sicher, so wie sie im Training waren (self._expected_features). # self._expected_features wird von _load_ml_model (denselben Block) geladen. if self._expected_features is None: self.logger.error("FEHLER: Erwartete Feature-Spalten fuer ML-Vorhersage nicht geladen. Kann nicht vorhersagen.") # <<< GEÄNDERT return "FEHLER Schaetzung" # Gebe Fehlerwert zurueck # Erstellen Sie einen neuen DataFrame mit allen erwarteten Features und fuellen Sie fehlende mit 0. # Sicherstellen, dass die Spalten im Ergebnis-DF in der Reihenfolge von self._expected_features sind. df_processed = pd.DataFrame(columns=self._expected_features) # Kopieren Sie die Werte aus df_encoded, wo Spalten uebereinstimmen. for col in self._expected_features: if col in df_encoded.columns: df_processed[col] = df_encoded[col] else: df_processed[col] = 0 # Fuege fehlende Spalten mit 0 hinzu # Stellen Sie sicher, dass die numerischen Spalten Float sind (Imputer erwartet das oft) numeric_features_for_imputation = ['Finaler_Umsatz', 'Finaler_Mitarbeiter'] for col in numeric_features_for_imputation: if col in df_processed.columns: df_processed[col] = pd.to_numeric(df_processed[col], errors='coerce') # Wandelt NaN in NaN, Fehler in NaN # --- Imputation der fehlenden Werte --- # Muss konsistent mit dem Imputer aus dem Training sein. # Der Imputer (self.imputer) wird auf die vorbereiteten Features angewendet. if self.imputer is None: self.logger.error("FEHLER: ML-Imputer ist nicht geladen. Kann nicht imputieren/vorhersagen.") # <<< GEÄNDERT return "FEHLER Schaetzung" # Gebe Fehlerwert zurueck # Imputer.transform gibt ein Numpy Array zurueck. df_imputed_array = self.imputer.transform(df_processed) # Konvertiere das Ergebnis zurueck zu einem DataFrame mit den erwarteten Spaltennamen. df_imputed = pd.DataFrame(df_imputed_array, columns=self._expected_features) # Optional: Pruefen Sie, ob nach Imputation NaNs verbleiben (sollte nicht passieren bei SimpleImputer) # if df_imputed.isna().any().any(): # self.logger.warning("WARNUNG: NaNs verbleiben nach Imputation.") # <<< GEÄNDERT # --- Vorhersage --- # Das Decision Tree Modell (self.model) erwartet die vorbereiteten und imputierten Features. if not self.model: self.logger.error("FEHLER: ML-Modell ist nicht geladen. Kann nicht vorhersagen.") # <<< GEÄNDERT return "FEHLER Schaetzung" # Gebe Fehlerwert zurueck # Fuehren Sie die Vorhersage durch. # predict_proba gibt die Wahrscheinlichkeiten fuer jede Klasse zurueck. prediction_proba = self.model.predict_proba(df_imputed) # prediction_proba ist ein Array von Wahrscheinlichkeiten pro Klasse fuer jede Eingabezeile (hier nur 1 Zeile). # Die Klassen-Labels des Modells (z.B. ['Bucket_1', 'Bucket_2', ...]) model_classes = self.model.classes_ # Finden Sie den Index der Klasse mit der hoechsten Wahrscheinlichkeit fuer die erste (und einzige) Zeile. predicted_class_index = np.argmax(prediction_proba[0]) # Holen Sie das entsprechende Label aus den Modell-Klassen. predicted_bucket_label = model_classes[predicted_class_index] # Logge die Vorhersage auf Debug-Level self.logger.debug(f" -> ML Vorhersage Ergebnis: '{predicted_bucket_label}' (Wahrscheinlichkeiten: {prediction_proba[0]})") # <<< GEÄNDERT return predicted_bucket_label # Gebe das vorhergesagte Bucket-Label zurueck (String) except Exception as e: # Fange alle unerwarteten Fehler ab, die waehrend der Datenvorbereitung oder Vorhersage auftreten. self.logger.exception(f"FEHLER bei der Datenvorbereitung/Vorhersage fuer Zeile (ML): {e}") # <<< GEÄNDERT # Geben Sie einen Fehlerwert zurueck, der im Sheet gespeichert werden kann. return f"FEHLER Schaetzung: {str(e)[:100]}..." # Signalisiert Fehler bei der Schaetzung (gekuerzt) # --- Methode zum Laden des ML Modells und Imputers --- # Diese Methode wird von _predict_technician_bucket (denselben Block) und train_technician_model (denselben Block) aufgerufen. # Sie laedt die serialisierten Modelle von der Festplatte. # Nutzt globale Helfer: MODEL_FILE (Block 1), IMPUTER_FILE (Block 1), PATTERNS_FILE_JSON (Block 1), # logger, os, pickle, json. def _load_ml_model(self, model_path, imputer_path): """ Laedt das trainierte ML-Modell, den Imputer und die erwarteten Feature-Spalten von den definierten Dateipfaden. Speichert sie als Instanzattribute. Args: model_path (str): Dateipfad zum Modell (.pkl). imputer_path (str): Dateipfad zum Imputer (.pkl). # Der Pfad zur Feature-Spaltenliste (JSON) wird aus PATTERNS_FILE_JSON (Block 1) geholt. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Setzen Sie die Instanzattribute zunaechst auf None self.model = None self.imputer = None self._expected_features = None # Liste der erwarteten Feature-Spalten fuer Vorhersage try: # Pruefen Sie, ob die Modelldateien existieren if not os.path.exists(model_path): self.logger.error(f"ML-Modell Datei nicht gefunden: {model_path}") # <<< GEÄNDERT return # Beende die Methode, wenn die Datei fehlt if not os.path.exists(imputer_path): self.logger.error(f"Imputer Datei nicht gefunden: {imputer_path}") # <<< GEÄNDERT return # Beende die Methode, wenn die Datei fehlt # Laden Sie das serialisierte Modell with open(model_path, 'rb') as f: self.model = pickle.load(f) self.logger.info(f"ML-Modell '{model_path}' erfolgreich geladen.") # <<< GEÄNDERT # Loggen Sie die Klassen-Labels des geladenen Modells zur Info if hasattr(self.model, 'classes_'): self.logger.debug(f"Geladene Modell-Klassen: {self.model.classes_}") # <<< GEÄNDERT else: self.logger.debug("Geladenes Modell hat kein 'classes_' Attribut.") # <<< GEÄNDERT # Laden Sie den serialisierten Imputer with open(imputer_path, 'rb') as f: self.imputer = pickle.load(f) self.logger.info(f"Imputer '{imputer_path}' erfolgreich geladen.") # <<< GEÄNDERT # Laden Sie die Liste der erwarteten Feature-Spalten (JSON-Datei wird empfohlen) expected_features_path = PATTERNS_FILE_JSON # Nutzt globale Konstante (Block 1) # Pruefen Sie, ob die Feature-Spalten-Datei existiert if os.path.exists(expected_features_path): try: # Oeffnen Sie die JSON-Datei with open(expected_features_path, 'r', encoding='utf-8') as f: # Laden Sie die Daten aus der JSON-Datei data = json.load(f) # Annahme: Die JSON-Datei enthaelt eine Liste der Feature-Spalten unter dem Schluessel "feature_columns" self._expected_features = data.get("feature_columns") # Pruefen Sie, ob die geladenen Daten eine nicht-leere Liste sind. if self._expected_features and isinstance(self._expected_features, list): self.logger.info(f"Erwartete Feature-Spalten ({len(self._expected_features)}) aus '{expected_features_path}' geladen.") # <<< GEÄNDERT # Loggen Sie die ersten paar erwarteten Features auf Debug # self.logger.debug(f"Erwartete Features (erste 5): {self._expected_features[:5]}...") # Zu viel Laerm im Debug else: # Wenn die geladenen Daten nicht das erwartete Format haben oder leer sind self.logger.error(f"Formatfehler in '{expected_features_path}' oder Schluessel 'feature_columns' fehlt/ist leer. ML-Vorhersage koennte fehlschlagen.") # <<< GEÄNDERT self._expected_features = None # Setze auf None bei Fehler except Exception as e_json: # Fangen Sie Fehler beim Laden oder Parsen der JSON-Datei ab self.logger.error(f"FEHLER beim Laden oder Parsen der Feature-Spalten Datei '{expected_features_path}': {e_json}") # <<< GEÄNDERT # Logge den Traceback self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT self._expected_features = None # Setze auf None bei Fehler else: # Wenn die Feature-Spalten-Datei nicht gefunden wird self.logger.warning(f"Datei mit erwarteten Feature-Spalten '{expected_features_path}' nicht gefunden. ML-Vorhersage koennte fehlschlagen.") # <<< GEÄNDERT self._expected_features = None # Setze auf None, da die Datei fehlt # Fallback: Wenn expected_features nicht geladen werden konnte, versuchen Sie es aus Imputer/Modell zu extrahieren (wenn die Bibliothek es unterstuetzt) if self._expected_features is None: try: # Neuere Scikit-learn Versionen haben oft ein feature_names_in_ Attribut if hasattr(self.imputer, 'feature_names_in_') and self.imputer.feature_names_in_ is not None: self._expected_features = list(self.imputer.feature_names_in_) self.logger.info(f"Erwartete Feature-Spalten ({len(self._expected_features)}) aus Imputer geladen (Fallback).") # <<< GEÄNDERT elif hasattr(self.model, 'feature_names_in_') and self.model.feature_names_in_ is not None: self._expected_features = list(self.model.feature_names_in_) self.logger.info(f"Erwartete Feature-Spalten ({len(self._expected_features)}) aus Modell geladen (Fallback).") # <<< GEÄNDERT else: # Wenn es nirgends gefunden werden konnte self.logger.error("Konnte erwartete Feature-Spalten weder aus Datei noch aus Modell/Imputer extrahieren. ML-Vorhersage wird fehlschlagen.") # <<< GEÄNDERT self._expected_features = None except Exception as e_extract: # Fange Fehler beim Extrahieren aus Modell/Imputer ab self.logger.error(f"FEHLER beim Extrahieren der Feature-Namen aus Modell/Imputer (Fallback): {e_extract}") # <<< GEÄNDERT # Logge den Traceback self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT self._expected_features = None except Exception as e: # Fange alle anderen unerwarteten Fehler waehrend des Ladens ab self.logger.exception(f"FEHLER beim Laden von ML-Artefakten: {e}") # <<< GEÄNDERT # Setzen Sie die Attribute auf None bei Fehler self.model = None self.imputer = None self._expected_features = None # Die Methode endet implizit hier nach dem Fangen der Exception. # Methode zur Datenvorbereitung fuer ML (WIRD VON train_technician_model aufgerufen) # Diese Methode laedt alle relevanten Daten aus dem Sheet, bereitet sie auf # und gibt einen DataFrame fuer das Training zurueck. # Basierend auf prepare_data_for_modeling aus Teil 12/13. # Nutzt interne Helfer: _get_cell_value_safe. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, pandas, numpy, re, # clean_text (Block 4), normalize_string (Block 4), get_numeric_filter_value (Block 5), # load_target_schema (Block 6 - relevant fuer Branchentypen), traceback. # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def prepare_data_for_modeling(self): """ Laedt Daten aus dem Google Sheet ueber den sheet_handler, bereitet sie fuer das Decision Tree Modell vor: - Waehlt relevante Spalten aus und benennt sie um. - Konsolidiert Umsatz/Mitarbeiter (Wiki > CRM Prioritaet). - Filtert nach gueltiger Technikerzahl (> 0). - Erstellt die Zielvariable (Techniker-Bucket). - Bereitet Features auf (One-Hot Encoding fuer Branche). - Behaelt NaNs in numerischen Features fuer spaetere Imputation. Returns: pandas.DataFrame: Vorbereiteter DataFrame fuer Training/Test-Split, oder None bei Fehlern oder wenn keine gueltigen Trainingsdaten gefunden wurden. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist self.logger.info("Starte Datenvorbereitung fuer Modellierung (Training)...") # <<< GEÄNDERT # Nutzt den self.sheet_handler der Klasse (Block 15). # Pruefen Sie, ob der Sheet Handler initialisiert wurde und Daten hat. if not self.sheet_handler or not self.sheet_handler.sheet_values: self.logger.error("Fehler: Sheet Handler nicht initialisiert oder keine Daten geladen fuer prepare_data_for_modeling.") # <<< GEÄNDERT # Versuchen Sie die Daten einmalig innerhalb dieser Methode zu laden, falls sie fehlen. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.critical("Konnte Daten auch nach erneutem Versuch nicht laden. Abbruch der Datenvorbereitung.") # <<< GEÄNDERT return None # Gebe None zurueck, wenn Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers() # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows # Pruefe auf ausreichende Zeilenzahl (Header + mindestens eine Datenzeile) min_required_rows = header_rows + 1 # Wenn nicht genuegend Zeilen da sind if not all_data or len(all_data) < min_required_rows: self.logger.error(f"Fehler: Nicht genuegend Datenzeilen ({len(all_data)}) im Sheet gefunden fuer Modellierung (mindestens {min_required_rows} benoetigt).") # <<< GEÄNDERT return None # Gebe None zurueck, wenn nicht genuegend Daten da sind # --- Header pruefen und DataFrame erstellen --- try: # Die erste Zeile sollte die Spaltennamen enthalten. headers = all_data[0] # Stellen Sie sicher, dass die Header-Zeile auch die erwartete Mindestlaenge hat, # um die Spaltenindizes aus COLUMN_MAP (Block 1) zu finden. try: max_col_idx_in_map = max(COLUMN_MAP.values()) # Finde den hoechsten Index in COLUMN_MAP # Pruefen Sie, ob die Anzahl der geladenen Spalten im Header ausreicht if len(headers) <= max_col_idx_in_map: # Logge einen kritischen Fehler, wenn das Mapping auf Spalten zeigt, die nicht im Sheet existieren self.logger.critical(f"FEHLER: Header-Zeile ({len(headers)} Spalten) ist kuerzer als der hoechste Index in COLUMN_MAP ({max_col_idx_in_map}). COLUMN_MAP passt nicht zum Sheet.") # <<< GEÄNDERT return None # Beende die Methode except ValueError: # Tritt auf, wenn COLUMN_MAP leer ist self.logger.critical("FEHLER: COLUMN_MAP scheint leer zu sein oder enthaelt keine Werte. Kann Max Index nicht ermitteln.") # <<< GEÄNDERT return None # Beende die Methode except Exception as e: # Fange andere unerwartete Fehler ab self.logger.critical(f"FEHLER beim Pruefen der Spaltenlaenge der Header-Zeile: {e}") # <<< GEÄNDERT return None # Beende die Methode except IndexError: # Wenn das Sheet leer ist oder keine erste Zeile hat self.logger.critical("FEHLER: Sheet scheint leer zu sein oder hat keine erste Zeile, keine Header gefunden.") # <<< GEÄNDERT return None # Beende die Methode except Exception as e: # Fange andere unerwartete Fehler beim Zugriff auf Header ab self.logger.critical(f"FEHLER beim Zugriff auf Header: {e}") # <<< GEÄNDERT # Logge den Traceback self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT return None # Beende die Methode # Datenzeilen sind alle Zeilen nach den Header-Zeilen data_rows = all_data[header_rows:] # Annahme: Die ersten X Zeilen sind Header # Erstelle DataFrame aus den Datenzeilen und den Headern df = pd.DataFrame(data_rows, columns=headers) self.logger.info(f"Initialen DataFrame fuer Modellierung erstellt mit {len(df)} Zeilen und {len(df.columns)} Spalten.") # <<< GEÄNDERT # --- Spaltenauswahl und Umbenennung --- # Definiere die notwendigen Spalten anhand ihrer COLUMN_MAP Schluessel (Block 1) # und weisen ihnen interne, einfachere Namen zu, die im DataFrame verwendet werden. col_keys_mapping = { "name": "CRM Name", # Zur Identifikation, wird spaeter entfernt "branche_crm": "CRM Branche", # Fuer One-Hot Encoding "umsatz_crm": "CRM Umsatz", # Fuer Konsolidierung "umsatz_wiki": "Wiki Umsatz", # Fuer Konsolidierung "ma_crm": "CRM Anzahl Mitarbeiter", # Fuer Konsolidierung "ma_wiki": "Wiki Mitarbeiter", # Fuer Konsolidierung "techniker": "CRM Anzahl Techniker" # DIE ZIELVARIABLE (Bekannte Technikerzahl) } # Ueberpruefe, ob alle benoetigten Spalten-Schluessel in der COLUMN_MAP (Block 1) vorhanden sind missing_keys_in_map = [key for key in col_keys_mapping.values() if key not in COLUMN_MAP] if missing_keys_in_map: self.logger.critical(f"FEHLER: Folgende benoetigte Spalten-Schluessel fehlen in COLUMN_MAP fuer prepare_data_for_modeling: {missing_keys_in_map}.") # <<< GEÄNDERT return None # Beende die Methode # Erstelle das Mapping von tatsaechlichen Header-Namen zu internen Schluesseln. # Verwende die Header-Namen aus dem geladenen Sheet und die COLUMN_MAP, um die richtigen Header zu finden. header_to_internal_key = {} # Dict zum Umbenennen der Spalten cols_to_select_by_header = [] # Liste der Header-Namen, die aus dem DF ausgewaehlt werden try: # Iteriere ueber das Mapping von internen zu COLUMN_MAP Schluesseln for internal_key, column_map_key in col_keys_mapping.items(): # Hole den tatsaechlichen Header-Namen aus dem Sheet header_name_from_sheet = headers[COLUMN_MAP[column_map_key]] # Fuege das Mapping hinzu header_to_internal_key[header_name_from_sheet] = internal_key # Fuege den Header-Namen zur Liste der auszuwaehlenden Spalten hinzu cols_to_select_by_header.append(header_name_from_sheet) # Waehle nur die benoetigten Spalten im DataFrame aus df_subset = df[cols_to_select_by_header].copy() # Kopie erstellen, um SettingWithCopyWarning zu vermeiden # Benenne die Spalten um zu den internen Namen df_subset.rename(columns=header_to_internal_key, inplace=True) except KeyError as e: # Dieser Fehler sollte eigentlich durch die obige Pruefung abgefangen werden, # tritt aber auf, wenn ein erwarteter Header-Name nicht im geladenen DF ist (selten, wenn COLUMN_MAP korrekt ist). self.logger.critical(f"FEHLER beim Auswaehlen/Umbenennen der Spalten (KeyError: '{e}'). Der Header wurde nicht im DataFrame gefunden.") # <<< GEÄNDERT self.logger.debug(f"Erwartete Header: {cols_to_select_by_header}. Verfuegbare Header im DF: {list(df.columns)}") # <<< GEÄNDERT return None # Beende die Methode except IndexError as e: # Tritt auf, wenn COLUMN_MAP einen Index > Anzahl Spalten im DF hat self.logger.critical(f"FEHLER beim Auswaehlen/Umbenennen der Spalten (IndexError: '{e}'). COLUMN_MAP zeigt auf Spalten, die nicht im geladenen Sheet existieren.") # <<< GEÄNDERT self.logger.debug(f"COLUMN_MAP: {COLUMN_MAP}. Sheet hat {len(headers)} Spalten.") # <<< GEÄNDERT return None # Beende die Methode except Exception as e: # Fange andere unerwartete Fehler ab self.logger.critical(f"Unerwarteter FEHLER beim Auswaehlen/Umbenennen der Spalten: {e}") # <<< GEÄNDERT # Logge den Traceback self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT return None # Beende die Methode self.logger.info(f"Benötigte Spalten fuer Modellierung ausgewaehlt und umbenannt: {list(df_subset.columns)}") # <<< GEÄNDERT # --- Features konsolidieren (Umsatz, Mitarbeiter) --- # Nutzt die globale Hilfsfunktion get_numeric_filter_value (Block 5) - ERSETZT get_valid_numeric cols_to_process = { 'Umsatz': ('umsatz_wiki', 'umsatz_crm', 'Finaler_Umsatz'), 'Mitarbeiter': ('ma_wiki', 'ma_crm', 'Finaler_Mitarbeiter') } for base_name, (wiki_col, crm_col, final_col) in cols_to_process.items(): self.logger.debug(f"Verarbeite und konsolidiere '{base_name}' (Prioritaet: Wiki > CRM)...") # <<< GEÄNDERT # Sicherstellen, dass die Spalten im df_subset existieren, bevor apply aufgerufen wird. # Dies sollte durch die Spaltenauswahl oben garantiert sein, aber zur Sicherheit. wiki_series = df_subset[wiki_col].apply(lambda x: get_numeric_filter_value(x, is_umsatz=(base_name=='Umsatz'))) if wiki_col in df_subset.columns else pd.Series(np.nan, index=df_subset.index) # KORRIGIERT: Lambda hinzugefügt crm_series = df_subset[crm_col].apply(lambda x: get_numeric_filter_value(x, is_umsatz=(base_name=='Umsatz'))) if crm_col in df_subset.columns else pd.Series(np.nan, index=df_subset.index) # KORRIGIERT: Lambda hinzugefügt # np.where waehlt den Wiki-Wert, wenn er nicht 0/NaN ist, sonst den CRM-Wert. # WICHTIG: 0 ist hier das Kennzeichen fuer ungueltig/nicht parsebar/k.A. in get_numeric_filter_value df_subset[final_col] = np.where( (wiki_series.notna()) & (wiki_series > 0), # Wenn Wiki-Wert vorhanden UND > 0 wiki_series, # Nimm den Wiki-Wert crm_series # Sonst nimm den CRM-Wert (der auch 0/NaN sein kann) ) # Info-Log ueber Ergebnis self.logger.info(f" -> {df_subset[final_col].notna().sum()} gueltige '{final_col}' Werte erstellt (von {len(df_subset)} Zeilen).") # <<< GEÄNDERT # --- Zielvariable vorbereiten (Technikerzahl) --- techniker_col_internal = "techniker" # Interne Spaltenname nach Umbenennung (aus col_keys_mapping) self.logger.info(f"Verarbeite Zielvariable '{techniker_col_internal}'...") # <<< GEÄNDERT # Sicherstellen, dass die Spalte existiert if techniker_col_internal not in df_subset.columns: self.logger.critical(f"FEHLER: Zielvariable '{techniker_col_internal}' (CRM Anzahl Techniker) nicht im DataFrame gefunden nach Umbenennung.") # <<< GEÄNDERT return None # Beende die Methode # Konvertiere zu Numerisch (Float/Int oder NaN) mit get_numeric_filter_value (Block 5). # Dies stellt sicher, dass nur gueltige, positive Zahlen verwendet werden. df_subset['Anzahl_Servicetechniker_Numeric'] = df_subset[techniker_col_internal].apply(lambda x: get_numeric_filter_value(x, is_umsatz=False)) # KORRIGIERT: Lambda hinzugefügt # Filtere Zeilen: Behalte nur die mit gueltiger, positiver Technikerzahl (Float > 0). initial_rows = len(df_subset) # Hier filtern wir basierend auf der numerischen Spalte, die durch get_numeric_filter_value erstellt wurde. df_filtered = df_subset[ df_subset['Anzahl_Servicetechniker_Numeric'].notna() & # Nicht NaN (df_subset['Anzahl_Servicetechniker_Numeric'] > 0) # Und groesser als 0 ].copy() # WICHTIG: .copy() um SettingWithCopyWarning zu vermeiden filtered_rows = len(df_filtered) removed_rows = initial_rows - filtered_rows # Info, wenn Zeilen entfernt wurden if removed_rows > 0: self.logger.info(f"{removed_rows} Zeilen entfernt aufgrund fehlender/ungueltiger Technikerzahl (Wert <= 0 oder nicht numerisch/parsebar).") # <<< GEÄNDERT self.logger.info(f"Verbleibende Zeilen fuer Modellierungstraining (mit gueltiger Technikerzahl > 0): {filtered_rows}") # <<< GEÄNDERT # Wenn keine Zeilen uebrig bleiben, kann kein Modell trainiert werden. if filtered_rows == 0: self.logger.error("FEHLER: Keine Zeilen mit gueltiger Technikerzahl (>0) uebrig fuer Modellierungstraining!") # <<< GEÄNDERT return None # Beende die Methode # --- Techniker-Buckets erstellen --- # Die Bins und Labels muessen die gefilterten Daten widerspiegeln (die jetzt alle > 0 sind). # Die Bin-Definition muss so sein, dass alle Werte > 0 einem Bucket zugeordnet werden. # Beispiel: (-1, 0] -> Bucket 1 (0), (0, 19] -> Bucket 2 (<20), (19, 49] -> Bucket 3 (<50) etc. # Da wir auf >0 filtern, landet 0 nie im Trainingsset, aber die Bin-Definition muss trotzdem Sinn ergeben. bins = [-1, 0, 19, 49, 99, 249, 499, float('inf')] # Definiere die Grenzen der Buckets labels = ['Bucket_1_(0)', 'Bucket_2_(<20)', 'Bucket_3_(<50)', 'Bucket_4_(<100)', 'Bucket_5_(<250)', 'Bucket_6_(<500)', 'Bucket_7_(>499)'] # Namen fuer die Buckets try: # Erstellen Sie die Bucket-Spalte mit pd.cut df_filtered['Techniker_Bucket'] = pd.cut( df_filtered['Anzahl_Servicetechniker_Numeric'], # Die numerische Technikerzahl-Spalte bins=bins, # Die definierten Grenzen labels=labels, # Die definierten Labels right=True, # Intervalle sind (links, rechts]. z.B. (0, 19] inkludiert 19. include_lowest=True # Inkludiert den niedrigsten Wert der ersten Bin (-1) (relevant, falls 0 moeglich waere) ) self.logger.info("Techniker-Buckets erstellt.") # <<< GEÄNDERT # Pruefe, ob NaNs in Buckets erstellt wurden (sollte bei >0 Filterung und korrekten Bins nicht passieren). if df_filtered['Techniker_Bucket'].isna().any(): nan_bucket_rows = df_filtered['Techniker_Bucket'].isna().sum() self.logger.warning(f"WARNUNG: {nan_bucket_rows} Zeilen mit NaNs in Techniker-Buckets nach pd.cut erstellt. Ueberpruefen Sie die bins/labels oder die Filterung.") # <<< GEÄNDERT # Entfernen Sie diese Zeilen, da sie nicht zum Trainieren verwendet werden koennen. df_filtered.dropna(subset=['Techniker_Bucket'], inplace=True) # Entferne Zeilen mit NaN im Bucket self.logger.info(f"Nach Entfernung von {nan_bucket_rows} Zeilen mit NaN Buckets: {len(df_filtered)} Zeilen verbleiben fuer Training.") # <<< GEÄNDERT # Wenn nach Entfernung keine Zeilen mehr uebrig sind if len(df_filtered) == 0: self.logger.error("FEHLER: Keine Zeilen uebrig nach Entfernung von NaN Buckets. Modell kann nicht trainiert werden.") # <<< GEÄNDERT return None # Beende die Methode # Verteilung der Buckets als Info-Log (absolute Haeufigkeit und Prozent) self.logger.info(f"Verteilung der Techniker-Buckets im Trainingsdatensatz ({len(df_filtered)} Zeilen):\n{df_filtered['Techniker_Bucket'].value_counts(normalize=False).sort_index()}") # <<< GEÄNDERT self.logger.info(f"Verteilung (Prozent):\n{df_filtered['Techniker_Bucket'].value_counts(normalize=True).sort_index().round(3)}") # <<< GEÄNDERT except Exception as e: # Fange Fehler beim Erstellen der Buckets ab self.logger.critical(f"FEHLER beim Erstellen der Techniker-Buckets: {e}") # <<< GEÄNDERT # Logge den Traceback self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT return None # Beende die Methode # --- Kategoriale Features vorbereiten (Branche) --- branche_col_internal = "branche_crm" # Interne Spaltenname nach Umbenennung (aus col_keys_mapping) self.logger.info(f"Verarbeite kategoriales Feature '{branche_col_internal}' fuer One-Hot Encoding...") # <<< GEÄNDERT # Sicherstellen, dass die Spalte existiert if branche_col_internal not in df_filtered.columns: self.logger.critical(f"FEHLER: Spalte '{branche_col_internal}' nicht im DataFrame fuer One-Hot Encoding gefunden.") # <<< GEÄNDERT return None # Beende die Methode # Stelle sicher, dass die Spalte String ist und fülle evtl. NaNs mit 'Unbekannt'. # .str.strip() entfernt führende/endende Leerzeichen. df_filtered[branche_col_internal] = df_filtered[branche_col_internal].astype(str).fillna('Unbekannt').str.strip() # One-Hot Encoding (pd.get_dummies) # dummy_na=False, da wir NaNs bereits mit 'Unbekannt' gefuellt haben. # prefix='Branche' ist gut, um die neuen Spalten zu identifizieren. df_encoded = pd.get_dummies(df_filtered, columns=[branche_col_internal], prefix='Branche', dummy_na=False) self.logger.info(f"One-Hot Encoding fuer '{branche_col_internal}' durchgefuehrt. Neue Spaltenanzahl: {len(df_encoded.columns)}") # <<< GEÄNDERT # --- Finale Auswahl der Features fuer das Modell --- # Identifizieren Sie die Feature-Spalten nach dem Encoding. # Dies sind alle Spalten, die mit 'Branche_' beginnen (One-Hot), plus die konsolidierten numerischen. feature_columns = [col for col in df_encoded.columns if col.startswith('Branche_')] # Alle One-Hot Branch-Spalten # Fuegen Sie die konsolidierten numerischen Spalten hinzu. feature_columns.extend(['Finaler_Umsatz', 'Finaler_Mitarbeiter']) # Pruefen Sie, ob die konsolidierten numerischen Spalten ('Finaler_Umsatz', 'Finaler_Mitarbeiter') # tatsaechlich im DataFrame df_encoded vorhanden sind (sollten sie, wurden oben erstellt). if not all(col in df_encoded.columns for col in ['Finaler_Umsatz', 'Finaler_Mitarbeiter']): self.logger.critical("FEHLER: Konsolidierte numerische Spalten 'Finaler_Umsatz' oder 'Finaler_Mitarbeiter' fehlen im DataFrame nach Konsolidierung.") # <<< GEÄNDERT return None # Beende die Methode target_column = 'Techniker_Bucket' # Die Zielvariable # Erstellen Sie den finalen DataFrame nur mit Features und Target (und Identifikationsspalten). # Behalten Sie 'name' und 'Anzahl_Servicetechniker_Numeric' fuer Reporting/Debugging. # 'name' ist der interne Name nach Umbenennung (aus col_keys_mapping). identification_cols = ['name', 'Anzahl_Servicetechniker_Numeric'] # Sicherstellen, dass diese Identifikationsspalten auch im DataFrame existieren. if not all(col in df_encoded.columns for col in identification_cols): self.logger.critical(f"FEHLER: Identifikationsspalten {identification_cols} fehlen im DataFrame.") # <<< GEÄNDERT return None # Beende die Methode # Erstellen Sie die Liste der finalen Spalten fuer den DataFrame # Stellen Sie sicher, dass alle Feature-Spalten und die Zielspalte auch wirklich im DataFrame sind # (Koennte fehlen, wenn z.B. Finaler_Umsatz/Mitarbeiter oben fehlschlug und als NaN resultierte, was aber ok ist fuer Imputer). final_cols_for_df = identification_cols + feature_columns + [target_column] missing_final_cols = [col for col in final_cols_for_df if col not in df_encoded.columns] if missing_final_cols: self.logger.critical(f"FEHLER: Finale Spalten fuer Modellierung fehlen im DataFrame: {missing_final_cols}") # <<< GEÄNDERT return None # Beende die Methode # Erstellen Sie den finalen DataFrame mit den ausgewaehlten Spalten. df_model_ready = df_encoded[final_cols_for_df].copy() # Erstelle eine Kopie # Optional: Konvertieren Sie numerische Spalten explizit zu Float64. # Dies stellt sicher, dass der Imputer korrekt arbeitet. for col in ['Finaler_Umsatz', 'Finaler_Mitarbeiter', 'Anzahl_Servicetechniker_Numeric']: if col in df_model_ready.columns: # Sicherheitscheck, ob Spalte existiert # errors='coerce' wandelt Fehler bei der Konvertierung in NaN. Wichtig, da Imputer NaNs erwartet. df_model_ready[col] = pd.to_numeric(df_model_ready[col], errors='coerce') # Setzen Sie den Index des DataFrames zurueck, um eine saubere Verarbeitung in den naechsten Schritten # (z.B. Train/Test-Split) sicherzustellen. drop=True verhindert, dass der alte Index als neue Spalte hinzugefuegt wird. df_model_ready = df_model_ready.reset_index(drop=True) # Logge Informationen zum finalen DataFrame self.logger.info("Datenvorbereitung fuer Modellierung (Training) abgeschlossen.") # <<< GEÄNDERT self.logger.info(f"Finaler DataFrame fuer Modellierung hat {len(df_model_ready)} Zeilen und {len(df_model_ready.columns)} Spalten.") # <<< GEÄNDERT # Logge die Anzahl der Feature-Spalten, nicht die Liste selbst (kann sehr lang sein). self.logger.info(f"Anzahl Feature-Spalten: {len(feature_columns)}") # <<< GEÄNDERT self.logger.info(f"Ziel-Spalte: {target_column}") # <<< GEÄNDERT # WICHTIG: Info ueber fehlende Werte in den finalen numerischen Features VOR der Imputation. # Die Imputation selbst erfolgt im Trainingsschritt (train_technician_model Block 31). numeric_features_for_imputation = ['Finaler_Umsatz', 'Finaler_Mitarbeiter'] nan_counts = df_model_ready[numeric_features_for_imputation].isna().sum() self.logger.info(f"Fehlende Werte in numerischen Features vor Imputation:\n{nan_counts}") # <<< GEÄNDERT # Logge auch, wie viele Zeilen *mindestens* einen NaN in den numerischen Features haben. rows_with_nan = df_model_ready[numeric_features_for_imputation].isna().any(axis=1).sum() self.logger.info(f"Anzahl Zeilen mit mindestens einem fehlenden numerischen Feature (vor Imputation): {rows_with_nan}") # <<< GEÄNDERT return df_model_ready # Gebe den vorbereiteten DataFrame zurueck # Methode zum Trainieren des ML Modells # Nutzt interne Methode: prepare_data_for_modeling. # Nutzt globale Helfer: MODEL_FILE, IMPUTER_FILE, PATTERNS_FILE_JSON (Block 1), # logger, pickle, json, os, # train_test_split, SimpleImputer, DecisionTreeClassifier, # accuracy_score, classification_report, confusion_matrix, export_text (sklearn). def train_technician_model(self, model_out=MODEL_FILE, imputer_out=IMPUTER_FILE, patterns_out=PATTERNS_FILE_JSON): """ Trainiert ein Decision Tree Modell zur Schaetzung der Servicetechniker-Buckets. Speichert das Modell, den Imputer und die Feature-Spalten. Args: model_out (str): Dateipfad zum Speichern des trainierten Modells (.pkl). imputer_out (str): Dateipfad zum Speichern des trainierten Imputers (.pkl). patterns_out (str): Dateipfad zum Speichern der Feature-Spaltenliste (.json). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist self.logger.info("Starte Training des Servicetechniker Decision Tree Modells...") # <<< GEÄNDERT # 1. Daten vorbereiten (nutzt die interne Methode prepare_data_for_modeling denselben Block) df_model_ready = self.prepare_data_for_modeling() # Wenn die Datenvorbereitung fehlschlug oder keinen DataFrame zurueckgab if df_model_ready is None or df_model_ready.empty: self.logger.error("Datenvorbereitung fuer Modelltraining fehlgeschlagen oder keine Daten. Training abgebrochen.") # <<< GEÄNDERT return # Beende die Methode # Separate Features (X) und Target (y) # Identifikationsspalten und Zielspalte (muss konsistent mit prepare_data_for_modeling sein) identification_cols = ['name', 'Anzahl_Servicetechniker_Numeric'] target_column = 'Techniker_Bucket' # Feature Spalten sind alle Spalten im df_model_ready ausser den Identifikations- und der Zielspalte. feature_columns = [col for col in df_model_ready.columns if col not in identification_cols and col != target_column] # Stellen Sie sicher, dass es Feature-Spalten gibt (sollte durch prepare_data_for_modeling sichergestellt sein) if not feature_columns: self.logger.critical("FEHLER: Keine Feature-Spalten nach Datenvorbereitung gefunden. Training nicht moeglich.") # <<< GEÄNDERT return # Beende die Methode # Erstellen Sie die Feature-Matrix X und den Zielvektor y X = df_model_ready[feature_columns] y = df_model_ready[target_column] self.logger.info(f"Daten fuer Training vorbereitet. X Shape: {X.shape}, y Shape: {y.shape}") # <<< GEÄNDERT # Logge die ersten paar Features auf Debug-Level (kann sehr lang sein) # self.logger.debug(f"Feature Spalten fuer Training ({len(feature_columns)}): {feature_columns[:10]}...") # 2. Split in Training und Test Set # test_size (z.B. 0.25 für 25% Testdaten), random_state fuer Reproduzierbarkeit. # stratify=y ist wichtig bei Klassifikationsproblemen mit ungleichen Klassen, um die # Klassenverteilung in Trainings- und Testset aehnlich zu halten. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42, stratify=y) self.logger.info(f"Daten gesplittet. Train Set: {len(X_train)} Zeilen, Test Set: {len(X_test)} Zeilen.") # <<< GEÄNDERT # 3. Imputation (Fehlende Werte ersetzen) # Verwenden Sie SimpleImputer (z.B. Median), um NaN-Werte zu ersetzen. # Median ist robust gegenueber Ausreissern. Alternativ: 'mean' oder 'most_frequent'. imputer = SimpleImputer(strategy='median') self.logger.info(f"Fitte Imputer mit Strategie '{imputer.strategy}' auf Trainingsdaten...") # <<< GEÄNDERT # Fitten Sie den Imputer NUR auf den Trainingsdaten, um Data Leakage zu vermeiden. imputer.fit(X_train) # Fitten Sie den Imputer auf X_train # Speichern Sie den Imputer (wird fuer Vorhersagen benoetigt). self.imputer = imputer # Speichern Sie ihn in der Instanz fuer spaetere Vorhersagen try: # Stellen Sie sicher, dass das Verzeichnis fuer den Output existiert. os.makedirs(os.path.dirname(imputer_out), exist_ok=True) # Erstellt das Verzeichnis, falls es nicht existiert # Speichern Sie den Imputer mit pickle with open(imputer_out, 'wb') as f: pickle.dump(imputer, f) self.logger.info(f"Imputer erfolgreich gespeichert in '{imputer_out}'.") # <<< GEÄNDERT except Exception as e: # Fange Fehler beim Speichern ab und logge sie. self.logger.error(f"FEHLER beim Speichern des Imputers in '{imputer_out}': {e}") # <<< GEÄNDERT # Logge den Traceback. self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT # Fahren Sie fort, aber loggen Sie den Fehler # Transformieren Sie Trainings- und Testdaten mit dem gefitteten Imputer. X_train_imputed = imputer.transform(X_train) X_test_imputed = imputer.transform(X_test) # Konvertieren Sie die Ergebnisse (Numpy Arrays) zurueck zu DataFrames, behalten Sie die Spaltennamen. X_train_imputed = pd.DataFrame(X_train_imputed, columns=feature_columns) X_test_imputed = pd.DataFrame(X_test_imputed, columns=feature_columns) self.logger.info("Numerische Features imputiert.") # <<< GEÄNDERT # 4. Decision Tree Training # Definieren Sie das Decision Tree Modell. # Wichtige Hyperparameter zum Tunen: max_depth, min_samples_split, min_samples_leaf. # class_weight='balanced' ist hilfreich bei ungleicher Klassenverteilung (wahrscheinlich bei Buckets). dt_classifier = DecisionTreeClassifier(random_state=42, class_weight='balanced') # Optional: Hyperparameter-Tuning mit GridSearchCV # param_grid = {'max_depth': [None, 10, 20, 30], 'min_samples_split': [2, 5, 10], 'min_samples_leaf': [1, 2, 5]} # grid_search = GridSearchCV(dt_classifier, param_grid, cv=5, scoring='accuracy') # grid_search.fit(X_train_imputed, y_train) # dt_classifier = grid_search.best_estimator_ # self.logger.info(f"Beste Parameter gefunden durch GridSearchCV: {grid_search.best_params_}") self.logger.info("Starte Training des Decision Tree Modells...") # <<< GEÄNDERT # Fitten Sie das Modell auf den imputierten Trainingsdaten. dt_classifier.fit(X_train_imputed, y_train) self.logger.info("Modelltraining abgeschlossen.") # <<< GEÄNDERT # Speichern Sie das trainierte Modell. self.model = dt_classifier # Speichern Sie es in der Instanz fuer spaetere Vorhersagen try: # Stellen Sie sicher, dass das Verzeichnis fuer den Output existiert. os.makedirs(os.path.dirname(model_out), exist_ok=True) # Erstellt das Verzeichnis, falls es nicht existiert # Speichern Sie das Modell mit pickle with open(model_out, 'wb') as f: pickle.dump(dt_classifier, f) self.logger.info(f"Decision Tree Modell erfolgreich gespeichert in '{model_out}'.") # <<< GEÄNDERT except Exception as e: # Fange Fehler beim Speichern ab und logge sie. self.logger.error(f"FEHLER beim Speichern des Modells in '{model_out}': {e}") # <<< GEÄNDERT # Logge den Traceback. self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT # Fahren Sie fort # Speichern Sie die Liste der Feature-Spalten (fuer die Vorhersage) self._expected_features = feature_columns # Speichern Sie diese Liste in der Instanz fuer _predict_technician_bucket try: # Speichern als JSON fuer bessere Lesbarkeit und um zusaetzliche Infos (wie Klassen) zu speichern. # PATTERNS_FILE_JSON wird aus Config (Block 1) geholt. patterns_data = {"feature_columns": feature_columns, "target_classes": list(dt_classifier.classes_)} # Stellen Sie sicher, dass das Verzeichnis fuer den Output existiert. os.makedirs(os.path.dirname(patterns_out), exist_ok=True) # Erstellt das Verzeichnis, falls es nicht existiert # Speichern Sie die JSON-Datei with open(patterns_out, 'w', encoding='utf-8') as f: json.dump(patterns_data, f, indent=4, ensure_ascii=False) self.logger.info(f"Erwartete Feature-Spalten und Klassen erfolgreich gespeichert in '{patterns_out}'.") # <<< GEÄNDERT # Optional: Speichern als einfache Textdatei (wie im Originalcode) # patterns_out_txt = patterns_out.replace('.json', '.txt') # with open(patterns_out_txt, 'w', encoding='utf-8') as f: # for col in feature_columns: f.write(f"{col}\n") # self.logger.info(f"Erwartete Feature-Spalten (txt) erfolgreich gespeichert in '{patterns_out_txt}'.") except Exception as e: # Fange Fehler beim Speichern ab und logge sie. self.logger.error(f"FEHLER beim Speichern der Feature-Spalten in '{patterns_out}': {e}") # <<< GEÄNDERT # Logge den Traceback. self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT # Fahren Sie fort # 5. Evaluation (Optional, aber empfohlen, um die Modellleistung zu bewerten) self.logger.info("Starte Modellevaluation...") # <<< GEÄNDERT # Vorhersagen auf dem Testset y_pred = dt_classifier.predict(X_test_imputed) # Metriken berechnen und loggen accuracy = accuracy_score(y_test, y_pred) self.logger.info(f"Modell Genauigkeit auf dem Testset: {accuracy:.4f}") # <<< GEÄNDERT # Klassifikationsbericht # zero_division='warn' ist Standard, '0' gibt 0 fuer nicht vorhandene Klassen, 'none' wirft Fehler. class_report = classification_report(y_test, y_pred, zero_division=0, labels=dt_classifier.classes_, target_names=[str(c) for c in dt_classifier.classes_]) # Stelle sicher, dass Labels und Target-Namen konsistent sind self.logger.info(f"Klassifikationsbericht auf dem Testset:\n{class_report}") # <<< GEÄNDERT # Konfusionsmatrix # display_labels=dt_classifier.classes_ sorgt fuer korrekte Beschriftung cm = confusion_matrix(y_test, y_pred, labels=dt_classifier.classes_) self.logger.info(f"Konfusionsmatrix auf dem Testset (Zeilen=Wahr, Spalten=Vorhersage):\n{cm}") # <<< GEÄNDERT # Entscheidungsregeln extrahieren (Optional, fuer Verstaendnis) try: # Beschraenken Sie die Tiefe fuer die Ausgabe, falls der Baum sehr tief ist # feature_names muessen der Reihenfolge in X_train_imputed entsprechen tree_rules = export_text(dt_classifier, feature_names=feature_columns, max_depth=7) # max_depth anpassen self.logger.info(f"Erste Regeln des Decision Tree (max Tiefe 7):\n{tree_rules}") # <<< GEÄNDERT except Exception as e: # Fange Fehler beim Exportieren der Regeln ab self.logger.warning(f"FEHLER beim Exportieren der Baumregeln: {e}") # <<< GEÄNDERT # Logge den Traceback. self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT self.logger.info("Modelltraining und -evaluation abgeschlossen.") # <<< GEÄNDERT # ============================================================================== # Ende DataProcessor Klasse Utility: ML Prep & Training Block # ============================================================================== # ========================================================================== # === Utility Methods (Other Specific Tasks) =============================== # ========================================================================== # --- Methode fuer experimentelle Website Details --- # Diese Methode extrahiert Details von Websites fuer Zeilen mit 'x'. # Basierend auf process_website_details_for_marked_rows aus Teil 12. # Nutzt interne Helfer: _get_cell_value_safe, _get_col_letter. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, # scrape_website_details (Block 13). # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_website_details(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ EXPERIMENTELL: Extrahiert Website-Details fuer Zeilen, die in Spalte A mit 'x' markiert sind. Schreibt die Details in eine definierte Spalte (Website Details oder AR als Fallback). Loescht NICHT das 'x'-Flag. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (ab Zeile 7). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU VERARBEITENDER (nicht uebersprungener) Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge den Start des Modus auf Warning, da es experimentell ist. self.logger.warning(f"Starte Modus (EXPERIMENTELL): Website Detail Extraction fuer Zeilen mit 'x' in Spalte A. Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # <<< GEÄNDERT self.logger.warning("Hinweis: Dieser Modus nutzt die globale Funktion 'scrape_website_details' (Block 13), deren Implementierung je nach Zielwebsites angepasst werden muss.") # <<< GEÄNDERT # --- Daten laden --- # Laden Sie Daten neu. Kein automatischer Startindex-Check noetig hier, # da wir explizit nach dem 'x'-Flag suchen. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("Fehler beim Laden der Daten fuer Website Details Extraction.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers(); # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows; total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Standard Startzeile, wenn nicht manuell gesetzt if start_sheet_row is None: start_sheet_row = header_rows + 1 # Standardmaessig ab erster Datenzeile (Zeile nach Headern) # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den Suchbereich fuer das 'x'-Flag self.logger.info(f"Suchbereich fuer 'x'-Flag: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # <<< GEÄNDERT # Pruefe, ob der Bereich gueltig ist if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") # <<< GEÄNDERT return # Beende die Methode, wenn der Bereich leer ist # --- Indizes und Buchstaben --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = ["ReEval Flag", "CRM Website", "CRM Name"] # A, D, B # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer process_website_details: {missing}. Breche ab.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Indizes reeval_col_idx = col_indices["ReEval Flag"] # A website_col_idx = col_indices["CRM Website"] # D # Bestimme die ZIELSPALTE fuer die Details (Website Details ODER AR als Fallback) details_col_idx = COLUMN_MAP.get("Website Details") # Versuche zuerst die dedizierte Spalte (Block 1 Column Map) details_col_key_for_logging = "Website Details" # Name fuer Logging # Wenn die dedizierte Spalte nicht gefunden wurde if details_col_idx is None: # Fallback auf 'Website Rohtext' (AR) details_col_idx = COLUMN_MAP.get("Website Rohtext") # Block 1 Column Map details_col_key_for_logging = "Website Rohtext" # Pruefen Sie, ob der Fallback-Schluessel gefunden wurde if details_col_idx is None: self.logger.critical("FEHLER: Weder 'Website Details' noch 'Website Rohtext' Spaltenindex in COLUMN_MAP gefunden.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler self.logger.warning(f"Keine Spalte 'Website Details' in COLUMN_MAP, nutze '{details_col_key_for_logging}' ({self.sheet_handler._get_col_letter(details_col_idx+1)}) als Fallback.") # <<< GEÄNDERT else: # Logge die Verwendung der dedizierten Spalte self.logger.info(f"Nutze Spalte '{details_col_key_for_logging}' ({self.sheet_handler._get_col_letter(details_col_idx+1)}) fuer Website Details.") # <<< GEÄNDERT # Ermitteln Sie den Spaltenbuchstaben der Zielspalte (nutzt interne Helfer _get_col_letter Block 14) details_col_letter = self.sheet_handler._get_col_letter(details_col_idx + 1) # --- Verarbeitung --- # Holen Sie die Batch-Groesse fuer Sheet-Updates aus Config (Block 1). update_batch_row_limit = getattr(Config, 'UPDATE_BATCH_ROW_LIMIT', 50) all_sheet_updates = [] # Gesammelte Updates fuer Batch-Schreiben ins Sheet (Liste von Dicts) processed_count = 0 # Zaehlt Zeilen, die fuer die Verarbeitung in Frage kommen und in den Batch aufgenommen werden (im Rahmen des Limits). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen wurden (nicht markiert oder fehlende URL). # Iteriere durch die Datenzeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Zeile ist mit 'x' in Spalte A (ReEval Flag) markiert. # UND Website URL (D) ist vorhanden und gueltig aussehend. # Holen Sie den Wert aus Spalte A (ReEval Flag) (nutzt interne Helfer _get_cell_value_safe) cell_a_value = self._get_cell_value_safe(row, "ReEval Flag").strip().lower() # Block 1 Column Map # Pruefen Sie, ob die Zelle mit 'x' markiert ist. is_marked_for_processing = cell_a_value == "x" # Wenn die Zeile nicht mit 'x' markiert ist, ueberspringen if not is_marked_for_processing: skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # Holen Sie den Wert aus Spalte D (CRM Website) (nutzt interne Helfer _get_cell_value_safe) website_url = self._get_cell_value_safe(row, "CRM Website").strip() # Block 1 Column Map # Pruefen Sie, ob die Website URL (D) vorhanden und gueltig aussehend ist. website_url_is_valid_looking = website_url and isinstance(website_url, str) and website_url.lower() not in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"] # Fuege "http:" hinzu basierend auf Log # Verarbeitung ist noetig, wenn die Zeile mit 'x' markiert ist UND die Website URL gueltig ist. processing_needed_for_row = is_marked_for_processing and website_url_is_valid_looking # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: company_name = self._get_cell_value_safe(row, "CRM Name").strip() # Block 1 Column Map self.logger.debug(f"Zeile {i} ({company_name[:50]}... Website Details Check): A='x'? {is_marked_for_processing}, D gueltig? {website_url_is_valid_looking}. Benoetigt Verarbeitung? {processing_needed_for_row}") # <<< GEÄNDERT # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist (trotz 'x' fehlte die URL) if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile # Optionale Behandlung: Wenn mit 'x' markiert, aber URL fehlt, was tun? # Derzeit wird sie uebersprungen. Ggf. Fehler in Spalte notieren? continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Fuehre Details-Extraktion aus --- processed_count += 1 # Zaehle die Zeile, die fuer die Verarbeitung in Frage kommt (im Rahmen des Limits zaehlen) # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer process_website_details erreicht. Breche weitere Zeilenpruefung ab.") # <<< GEÄNDERT break # Brich die Schleife ab self.logger.info(f"Zeile {i}: Extrahiere Website Details von {website_url[:100]}...") # <<< GEÄNDERT (war selflogger) details = "FEHLER: Funktion 'scrape_website_details' nicht verfuegbar" # Default Fehler, falls die Funktion nicht existiert (Sollte nicht passieren, wenn Block 13 korrekt ist) try: # Rufe die globale Funktion scrape_website_details auf (Block 13). # scrape_website_details ist mit retry_on_failure dekoriert (Block 2). # Wenn scrape_website_details fehlschlaegt, wirft sie eine Exception oder gibt einen Fehlerwert zurueck. details = scrape_website_details(website_url) # <<< Ruft globale Funktion (Block 13) # Wenn die Funktion einen Fehler geloggt hat und einen Fehlerstring im Ergebnis zurueckgibt, # wird dies in der 'details' Variable gespeichert. if isinstance(details, str) and (details.startswith("k.A. (Fehler") or details.startswith("FEHLER:")): # Fehler wurde bereits in scrape_website_details geloggt. pass # Details enthaelt bereits den Fehlerstring. elif not isinstance(details, str) or not details.strip(): # Wenn die Funktion keinen String oder einen leeren String zurueckgibt. details = "k.A. (Extraktion leer oder ungueltig)" # Standard-Fehlerwert except NameError: # Dieser Fehler sollte nicht auftreten, wenn scrape_website_details in Block 13 ist. self.logger.critical("FEHLER: Funktion 'scrape_website_details' ist nicht definiert! Kann Details nicht extrahieren.") # <<< GEÄNDERT # Logge den Traceback. self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT details = "FEHLER: Funktion nicht definiert" # Setze spezifischen Fehlerwert except Exception as e_detail: # Fange andere unerwartete Fehler ab, die nicht von scrape_website_details behandelt wurden. self.logger.exception(f"Unerwarteter Fehler bei scrape_website_details fuer {website_url[:100]}...: {type(e_detail).__name__} - {e_detail}") # <<< GEÄNDERT details = f"k.A. (Unerwarteter Fehler: {str(e_detail)[:100]}...)" # Signalisiert Fehler (gekuerzt) # Fuege Update fuer die Details-Spalte hinzu (nutzt interne Helfer _get_col_letter Block 14) # Stellen Sie sicher, dass der Wert ein String ist. updates_for_row = [] # Lokale Liste fuer Updates dieser Zeile updates_for_row.append({'range': f'{details_col_letter}{i}', 'values': [[str(details)]]}) # Block 1 Column Map self.logger.debug(f"Zeile {i}: Details extrahiert und zum Update fuer Spalte {details_col_key_for_logging} ({details_col_letter}{i}) hinzugefuegt.") # <<< GEÄNDERT # Sammle die Updates fuer diese Zeile in der globalen Liste all_sheet_updates. all_sheet_updates.extend(updates_for_row) # Sende gesammelte Sheet Updates wenn das Update-Batch-Limit erreicht ist. # update_batch_row_limit wird aus Config geholt (Block 1). # Updates pro Zeile ist 1 in diesem Modus. Anzahl der Zeilen = len(all_sheet_updates). if len(all_sheet_updates) >= update_batch_row_limit: self.logger.debug(f" Sende gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. # Wenn es fehlschlaegt, wird es intern geloggt. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f" Sheet-Update fuer {len(all_sheet_updates)} Zellen erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Leere die gesammelten Updates nach dem Senden. all_sheet_updates = [] # Kleine Pause nach jeder Extraktion (nutzt Config Block 1). # Dieser Modus macht API calls (ueber scrape_website_details und dessen Helfer), also Pause einbauen. pause_duration = getattr(Config, 'RETRY_DELAY', 5) * 0.2 #self.logger.debug(f"Warte {pause_duration:.2f}s nach Extraktion...") # Zu viel Laerm im Debug time.sleep(pause_duration) # --- Finale Sheet Updates senden --- # Sende alle verbleibenden gesammelten Updates in einem letzten Batch-Update. if all_sheet_updates: self.logger.info(f"Sende FINALE gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f"FINALES Sheet-Update erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Logge den Abschluss des Modus self.logger.info(f"Modus 'website_details' abgeschlossen. {processed_count} Zeilen verarbeitet (in Batch aufgenommen), {skipped_count} Zeilen uebersprungen.") # <<< GEÄNDERT # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # --- Methode zum Verarbeiten von Wiki-Updates basierend auf ChatGPT Vorschlaegen --- # Diese Methode verarbeitet Zeilen, in denen S gesetzt ist (nicht in Endzustand), # prueft ob U eine valide und andere Wiki-URL ist und fuehrt entsprechende Updates durch. # Basierend auf process_wiki_updates_from_chatgpt aus Teil 4. # Nutzt interne Helfer: _get_cell_value_safe, _get_col_letter. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, Config (Block 1), time, # is_valid_wikipedia_article_url (Block 12). # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_wiki_updates_from_chatgpt(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ Identifiziert Zeilen, in denen Status S gesetzt ist, aber NICHT auf einem Endzustand (OK, X (UPDATED/COPIED/INVALID)), prueft ob U eine *valide* und *andere* Wiki-URL ist. - Wenn ja: Kopiert U->M, markiert S='X (URL Copied)', U='URL uebernommen', loescht abhaengige Wiki-Spalten (N-V, AN, AO, AP, AX), setzt ReEval-Flag A='x'. - Wenn nein (U keine URL, U==M, oder U ungueltig): LOESCHT den Inhalt von U und markiert S als 'X (Invalid Suggestion)'. Verarbeitet maximal limit Zeilen. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (ab Zeile 7). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU PRUEFENDER Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Modus self.logger.info(f"Starte Modus 'wiki_updates_from_chatgpt' (S, U, M, N-V, AN, AO, AX, AP, A). Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # <<< GEÄNDERT # --- Daten laden --- # Laden Sie Daten neu. Kein automatischer Startindex-Check noetig hier, # da wir nach Status S suchen. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("Fehler beim Laden der Daten fuer Wiki Updates.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers() # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Standard Startzeile, wenn nicht manuell gesetzt if start_sheet_row is None: start_sheet_row = header_rows + 1 # Standardmaessig ab erster Datenzeile (Zeile nach Headern) # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den Suchbereich fuer Status S self.logger.info(f"Suchbereich fuer Status S: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # <<< GEÄNDERT # Pruefe, ob der Bereich gueltig ist if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") # <<< GEÄNDERT return # Beende die Methode, wenn der Bereich leer ist # --- Indizes und Buchstaben --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = [ "Chat Wiki Konsistenzpruefung", "Chat Vorschlag Wiki Artikel", "Wiki URL", # S, U, M (Pruefkriterien / Daten) "Wikipedia Timestamp", "Wiki Verif. Timestamp", "Timestamp letzte Pruefung", "Version", # AN, AX, AO, AP (Spalten zum Loeschen) "ReEval Flag", # A (ReEval Flag setzen) "Wiki Absatz", "Wiki Branche", "Wiki Umsatz", "Wiki Mitarbeiter", "Wiki Kategorien", # N-R (Spalten zum Loeschen) "Chat Begruendung Wiki Inkonsistenz", "Begruendung bei Abweichung", # T, V (Spalten zum Loeschen) # AY (SerpAPI Wiki Search Timestamp) wird ebenfalls geleert, da abhaengig von M. "SerpAPI Wiki Search Timestamp" # AY (Spalte zum Leeren) ] # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer process_wiki_updates_from_chatgpt: {missing}. Breche ab.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Spaltenbuchstaben fuer Updates/Leerung (nutzt interne Helfer _get_col_letter Block 14) s_letter = self.sheet_handler._get_col_letter(col_indices["Chat Wiki Konsistenzpruefung"] + 1) # Status S u_letter = self.sheet_handler._get_col_letter(col_indices["Chat Vorschlag Wiki Artikel"] + 1) # Vorschlag U m_letter = self.sheet_handler._get_col_letter(col_indices["Wiki URL"] + 1) # Wiki URL M a_letter = self.sheet_handler._get_col_letter(col_indices["ReEval Flag"] + 1) # ReEval Flag A # Spalten N-V leeren. # N ist Wiki Absatz, V ist Begruendung bei Abweichung. n_idx = col_indices["Wiki Absatz"] v_idx = col_indices["Begruendung bei Abweichung"] # Erstellen Sie den Bereichsnamen (z.B. "N:V") n_letter = self.sheet_handler._get_col_letter(n_idx + 1) v_letter = self.sheet_handler._get_col_letter(v_idx + 1) nv_range_letter = f'{n_letter}:{v_letter}' # z.B. N:V # Erstellen Sie eine Liste von leeren Strings fuer diesen Bereich empty_nv_values = [''] * (v_idx - n_idx + 1) # Anzahl der Spalten = V_Index - N_Index + 1 # Timestamps AN, AO, AX, AP, AY leeren. an_letter = self.sheet_handler._get_col_letter(col_indices["Wikipedia Timestamp"] + 1) # AN (Wiki Extraction TS) ao_letter = self.sheet_handler._get_col_letter(col_indices["Timestamp letzte Pruefung"] + 1) # AO (Chat Evaluation TS) ap_letter = self.sheet_handler._get_col_letter(col_indices["Version"] + 1) # AP (Version) ax_letter = self.sheet_handler._get_col_letter(col_indices["Wiki Verif. Timestamp"] + 1) # AX (Wiki Verif. TS) ay_letter = self.sheet_handler._get_col_letter(col_indices["SerpAPI Wiki Search Timestamp"] + 1) # AY (SerpAPI Wiki TS) # --- Verarbeitung --- # Holen Sie die Batch-Groesse fuer Sheet-Updates aus Config (Block 1). update_batch_row_limit = getattr(Config, 'UPDATE_BATCH_ROW_LIMIT', 50) all_sheet_updates = [] # Gesammelte Updates fuer Batch-Schreiben ins Sheet (Liste von Dicts) processed_rows_count = 0 # Zaehlt Zeilen, die geprueft werden (im Rahmen des Limits zaehlen). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen werden (Status S im Endzustand etc.). updated_url_count = 0 # Zaehlt Zeilen, wo U -> M kopiert wurde. cleared_suggestion_count = 0 # Zaehlt Zeilen, wo Vorschlag U geloescht wurde. # Iteriere durch die Datenzeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Status S ist gesetzt (nicht leer) UND NICHT einer der Endzustaende. # Endzustaende: "OK", "X (UPDATED)", "X (URL COPIED)", "X (INVALID SUGGESTION)" # Holen Sie den Wert aus Spalte S (Chat Wiki Konsistenzpruefung) (nutzt interne Helfer _get_cell_value_safe) s_value = self._get_cell_value_safe(row, "Chat Wiki Konsistenzpruefung").strip() # Block 1 Column Map s_value_upper = s_value.upper() # Definieren Sie die Endzustaende (Grossbuchstaben) s_end_states = ["OK", "X (UPDATED)", "X (URL COPIED)", "X (INVALID SUGGESTION)"] # Verarbeitung ist noetig, wenn S nicht leer ist UND S NICHT im Endzustand ist. processing_needed_for_row = s_value and s_value_upper not in s_end_states # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: self.logger.debug(f"Zeile {i} (Wiki Update Check): Status S='{s_value}'. Benoetigt Verarbeitung? {processing_needed_for_row}") # <<< GEÄNDERT # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Pruefe Vorschlag U und handle --- processed_rows_count += 1 # Zaehle die Zeile, die geprueft wird (im Rahmen des Limits zaehlen). # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_rows_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer process_wiki_updates_from_chatgpt erreicht. Breche weitere Zeilenpruefung ab.") # <<< GEÄNDERT break # Brich die Schleife ab # Holen Sie die Werte aus Spalte U (Chat Vorschlag Wiki Artikel) und M (Wiki URL) (nutzt interne Helfer _get_cell_value_safe) vorschlag_u = self._get_cell_value_safe(row, "Chat Vorschlag Wiki Artikel").strip() # Block 1 Column Map url_m = self._get_cell_value_safe(row, "Wiki URL").strip() # Block 1 Column Map self.logger.info(f"Zeile {i}: Pruefe Wiki-Vorschlag U='{vorschlag_u[:100]}...' (aktuell M='{url_m[:100]}...')...") # <<< GEÄNDERT is_update_candidate = False # Flag, ob U eine gueltige, neue URL ist, die uebernommen werden soll. new_url = "" # Die URL, die ggf. in M kopiert wird. # Kriterium 1: Ist Vorschlag U ueberhaupt ein String und sieht nach Wikipedia aus? condition1_u_is_wiki_url = vorschlag_u and isinstance(vorschlag_u, str) and "wikipedia.org/wiki/" in vorschlag_u.lower() and vorschlag_u.lower().startswith(("http://", "https://")) # Check auf Schema hinzugefuegt # Wenn der Vorschlag U wie eine Wikipedia-URL aussieht if condition1_u_is_wiki_url: new_url = vorschlag_u # Nehme den Vorschlag als potenzielle neue URL # Kriterium 2: Unterscheidet sich der Vorschlag U von der aktuellen URL in M? # Pruefe, ob die neue URL nicht identisch mit der aktuellen M-URL ist. condition2_u_differs_m = new_url != url_m # Wenn sich der Vorschlag U von der aktuellen M-URL unterscheidet if condition2_u_differs_m: self.logger.debug(f" -> Vorschlag U ({new_url[:100]}...) unterscheidet sich von M ({url_m[:100]}). Pruefe Validitaet...") # <<< GEÄNDERT # Kriterium 3: Ist die vorgeschlagene URL ein valider Wikipedia-Artikel (nicht Weiterleitung, Begriffsklaerung, Fehler)? # Nutzt globale Funktion is_valid_wikipedia_article_url (Block 12) mit Retry Decorator (Block 2). # is_valid_wikipedia_article_url wirft Exception bei endgueltigem Fehler. try: # is_valid_wikipedia_article_url ist keine vorhandene Funktion, dies muss ggf. angepasst werden # Annahme: Wir brauchen eine Funktion, die prüft, ob eine URL zu einem validen Artikel führt. # Wir könnten hier die search_company_article Methode vom scraper nutzen und prüfen, ob sie die URL zurückgibt. # Temporär setzen wir es auf True für den Logikfluss, dies muss später überarbeitet werden! # BESSERE LÖSUNG: WikipediaScraper braucht eine Methode check_article_validity(url) condition3_u_is_valid = True # TEMPORÄRER PLATZHALTER! # if self.wiki_scraper: # Prüfe ob scraper existiert # condition3_u_is_valid = self.wiki_scraper.check_article_validity(new_url) # Beispiel für zukünftige Methode # else: condition3_u_is_valid = False # Wenn die vorgeschlagene URL ein valider Artikel ist if condition3_u_is_valid: is_update_candidate = True # Alle Kriterien erfuellt! Der Vorschlag kann uebernommen werden. self.logger.debug(f" -> URL '{new_url[:100]}...' ist ein VALIDER Artikel laut API Check.") # <<< GEÄNDERT else: # Wenn die vorgeschlagene URL nicht valide ist self.logger.debug(f" -> URL '{new_url[:100]}...' ist KEIN valider Artikel laut API Check.") # <<< GEÄNDERT except Exception as e_validity_check: # Wenn die Validierungsfunktion eine Exception wirft (nach Retries) # Der Fehler wird bereits vom retry_on_failure Decorator geloggt. self.logger.error(f"FEHLER bei Validitaetspruefung von Vorschlag U '{new_url[:100]}...': {e_validity_check}") # <<< GEÄNDERT # Bei Fehler bleibt is_update_candidate False. pass # Faert fort else: # Wenn der Vorschlag U identisch mit der aktuellen M-URL ist self.logger.debug(f" -> Vorschlag U ist identisch mit URL M. Wird nicht uebernommen.") # <<< GEÄNDERT else: # Wenn der Vorschlag U nicht wie eine Wikipedia-URL aussieht self.logger.debug(f" -> Vorschlag U ('{vorschlag_u[:100]}...') ist keine Wikipedia URL. Wird nicht uebernommen.") # <<< GEÄNDERT # --- Verarbeitung des Kandidaten ODER Loeschen des ungueltigen Vorschlags --- updates_for_row = [] # Lokale Liste fuer Updates DIESER Zeile if is_update_candidate: # Fall 1: Gueltiges Update durchfuehren (Vorschlag U wird in M kopiert) self.logger.info(f"Zeile {i}: Update-Kandidat VALIDIERUNG ERFOLGREICH. Kopiere U->M, setze ReEval-Flag 'x', loesche abhaengige Spalten.") # <<< GEÄNDERT updated_url_count += 1 # Zaehle die uebernommene URL # Updates sammeln (M, S, U, N-V, AN, AO, AP, AX, AY, A) (nutzt interne Helfer _get_col_letter Block 14) updates_for_row.append({'range': f'{m_letter}{i}', 'values': [[new_url]]}) # Setze die neue URL in Spalte M (Block 1 Column Map) updates_for_row.append({'range': f'{s_letter}{i}', 'values': [["X (URL Copied)"]]}) # Setze Status S auf "X (URL Copied)" (Block 1 Column Map) updates_for_row.append({'range': f'{u_letter}{i}', 'values': [["URL uebernommen"]]}) # Schreibe Info in Spalte U (Block 1 Column Map) updates_for_row.append({'range': f'{a_letter}{i}', 'values': [["x"]]}) # Setze ReEval Flag (A) auf 'x' (Block 1 Column Map) # Leere Spalten N-V. # Fuege das Update zum Leeren des Bereichs V-Y hinzu, falls der Bereichsname ermittelt werden konnte. if nv_range_letter: # Pruefe, ob der Bereichsname ermittelt werden konnte. updates_for_row.append({'range': f'{n_letter}{i}:{v_letter}{i}', 'values': [empty_nv_values]}) # Block 1 Column Map, lokale Variable else: self.logger.warning(f"Konnte Spaltenbereich N-V ({n_letter}:{v_letter}) fuer Leerung nicht ermitteln fuer Zeile {i}. Leerung uebersprungen.") # <<< GEÄNDERT # Leere Timestamps AN, AO, AP, AX, AY. # Dies setzt die Zeile zurueck, damit andere Schritte sie spaeter bearbeiten. updates_for_row.append({'range': f'{an_letter}{i}', 'values': [['']]}) # AN (Wiki Extraction TS) Block 1 Column Map updates_for_row.append({'range': f'{ao_letter}{i}', 'values': [['']]}) # AO (Chat Evaluation TS) Block 1 Column Map updates_for_row.append({'range': f'{ap_letter}{i}', 'values': [['']]}) # AP (Version) Block 1 Column Map updates_for_row.append({'range': f'{ax_letter}{i}', 'values': [['']]}) # AX (Wiki Verif. TS) Block 1 Column Map updates_for_row.append({'range': f'{ay_letter}{i}', 'values': [['']]}) # AY (SerpAPI Wiki TS) Block 1 Column Map else: # Fall 2: Ungueltigen Vorschlag loeschen/markieren # Wenn der Vorschlag U nicht uebernommen wird (weil ungueltig oder identisch mit M). self.logger.info(f"Zeile {i}: Vorschlag U ('{vorschlag_u[:100]}...') ist ungueltig/identisch. Loesche U und setze Status S auf 'X (Invalid Suggestion)'.") # <<< GEÄNDERT cleared_suggestion_count += 1 # Zaehle den bereinigten Vorschlag # Updates sammeln (S, U) (nutzt interne Helfer _get_col_letter Block 14) updates_for_row.append({'range': f'{s_letter}{i}', 'values': [["X (Invalid Suggestion)"]]}) # Setze Status S auf "X (Invalid Suggestion)" (Block 1 Column Map) updates_for_row.append({'range': f'{u_letter}{i}', 'values': [[""]]}) # Loesche den Vorschlag in Spalte U (Block 1 Column Map) # KEIN ReEval-Flag (A) setzen in diesem Fall. # Sammle die Updates fuer diese Zeile in der globalen Liste all_sheet_updates. all_sheet_updates.extend(updates_for_row) # Sende gesammelte Sheet Updates wenn das Update-Batch-Limit erreicht ist. # update_batch_row_limit wird aus Config geholt (Block 1). # Die Anzahl der Updates pro Zeile variiert stark (ca. 2 bei ungueltigem Vorschlag, ca. 10+ bei gueltigem). # Pruefen Sie einfach die Laenge der gesammelten Liste. if len(all_sheet_updates) >= update_batch_row_limit * 5: # Grobe Schaetzung: im Schnitt 5 Updates pro Zeile self.logger.debug(f" Sende gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. # Wenn es fehlschlaegt, wird es intern geloggt. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f" Sheet-Update fuer {len(all_sheet_updates)} Zellen erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Leere die gesammelten Updates nach dem Senden. all_sheet_updates = [] # Kleine Pause nach jeder geprueften Zeile (nutzt Config Block 1). # Dieser Modus macht API calls (ueber is_valid_wikipedia_article_url), also Pause einbauen. pause_duration = getattr(Config, 'RETRY_DELAY', 5) * 0.2 #self.logger.debug(f"Warte {pause_duration:.2f}s nach Pruefung...") # Zu viel Laerm im Debug time.sleep(pause_duration) # --- Finale Sheet Updates senden --- # Sende alle verbleibenden gesammelten Updates in einem letzten Batch-Update. if all_sheet_updates: self.logger.info(f"Sende FINALE gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") # <<< GEÄNDERT # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f"FINALES Sheet-Update erfolgreich.") # <<< GEÄNDERT # Der Fehlerfall wird von batch_update_cells geloggt # Logge den Abschluss des Modus self.logger.info(f"Modus 'wiki_updates_from_chatgpt' abgeschlossen. {processed_rows_count} Zeilen geprueft, {updated_url_count} URLs kopiert & fuer ReEval markiert, {cleared_suggestion_count} ungueltige Vorschlaege geloescht/markiert, {skipped_count} Zeilen uebersprungen.") # <<< GEÄNDERT # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # --- Methode zur Re-Extraktion von Wiki-Daten bei fehlendem Timestamp AN --- # Diese Methode identifiziert Zeilen mit M gefuellt und AN leer und fuehrt _process_single_row (Block 19) fuer diese aus. # Nutzt interne Helfer: _get_cell_value_safe, _process_single_row. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger. # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_wiki_reextract_missing_an(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ Identifiziert Zeilen, bei denen eine Wiki URL (M) vorhanden ist, aber der Wikipedia Timestamp (AN) fehlt. Fuehrt _process_single_row fuer diese Zeilen aus, beschraenkt auf den 'wiki'-Schritt und mit force_reeval=True, um die Extraktion erneut zu versuchen. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (automatische Ermittlung basierend auf leeren AN). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU VERARBEITENDER Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Modus self.logger.info(f"Starte Modus 'wiki_reextract_missing_an' (M gefuellt & AN leer). Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # <<< GEÄNDERT # --- Daten laden und Startzeile ermitteln --- # Automatische Ermittlung der Startzeile, wenn nicht manuell gesetzt. # Dieser Modus sucht nach leeren AN mit gefuelltem M. Die automatische Startzeile # basierend auf leeren AN ist ein guter Startpunkt. if start_sheet_row is None: self.logger.info("Automatische Ermittlung der Startzeile basierend auf leeren AN...") # <<< GEÄNDERT # Nutzt get_start_row_index des Sheet Handlers (Block 14). Prueft auf leeren AN (Block 1 Column Map). # Standardmaessig ab Zeile 7 start_data_index_no_header = self.sheet_handler.get_start_row_index(check_column_key="Wikipedia Timestamp", min_sheet_row=7) # Wenn get_start_row_index -1 zurueckgibt (Fehler) if start_data_index_no_header == -1: self.logger.error("FEHLER bei automatischer Ermittlung der Startzeile. Breche Modus ab.") # <<< GEÄNDERT return # Beende die Methode # Berechne die 1-basierte Sheet-Startzeile aus dem 0-basierten Daten-Index start_sheet_row = start_data_index_no_header + self.sheet_handler._header_rows + 1 # Block 14 SheetHandler Attribut self.logger.info(f"Automatisch ermittelte Startzeile (erste leere AN Zelle): {start_sheet_row}") # <<< GEÄNDERT else: # Wenn start_sheet_row manuell gesetzt wurde, laden Sie die Daten trotzdem neu, um aktuell zu sein. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("Fehler beim Laden der Daten fuer wiki_reextract_missing_an.") # <<< GEÄNDERT return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers(); # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows; total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den verarbeitungsbereich self.logger.info(f"Suchbereich fuer M gefuellt & AN leer: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # <<< GEÄNDERT # Pruefe, ob der Bereich gueltig ist (Start <= Ende und Start nicht ueber Gesamtzeilen) if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") # <<< GEÄNDERT return # Beende die Methode, wenn der Bereich leer ist # --- Indizes --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = ["Wiki URL", "Wikipedia Timestamp", "CRM Name"] # M, AN, B (Pruefkriterien + Logging) # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer wiki_reextract_missing_an: {missing}. Breche ab.") # <<< GEÄNDERT return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Indizes m_col_idx = col_indices["Wiki URL"] an_col_idx = col_indices["Wikipedia Timestamp"] # --- Verarbeitung --- processed_count = 0 # Zaehlt Zeilen, die an _process_single_row uebergeben wurden (im Rahmen des Limits zaehlen). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen wurden. # Iteriere durch die Datenzeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Wiki URL (M) ist vorhanden und gueltig aussehend. # UND Wikipedia Timestamp (AN) ist leer. # Holen Sie die Werte aus den entsprechenden Spalten (nutzt interne Helfer _get_cell_value_safe) m_value = self._get_cell_value_safe(row, "Wiki URL").strip() # Block 1 Column Map an_value = self._get_cell_value_safe(row, "Wikipedia Timestamp").strip() # Block 1 Column Map # Pruefen Sie, ob M gefuellt und gueltig aussieht. is_m_valid_looking = m_value and isinstance(m_value, str) and "wikipedia.org/wiki/" in m_value.lower() and m_value.lower() not in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"] # Fuege "http:" hinzu basierend auf Log # Pruefen Sie, ob AN leer ist. is_an_empty = not an_value # Verarbeitung ist noetig, wenn M gueltig aussieht UND AN leer ist. processing_needed_for_row = is_m_valid_looking and is_an_empty # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: company_name = self._get_cell_value_safe(row, "CRM Name").strip() # Block 1 Column Map self.logger.debug(f"Zeile {i} ({company_name[:50]}... Wiki Re-extract Check): M ('{m_value[:50]}...') gueltig? {is_m_valid_looking}, AN leer? {is_an_empty}. Benötigt Verarbeitung? {processing_needed_for_row}") # <<< GEÄNDERT # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Rufe _process_single_row auf --- processed_count += 1 # Zaehle die Zeile, die an _process_single_row uebergeben wird (im Rahmen des Limits zaehlen) # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer wiki_reextract_missing_an erreicht. Breche weitere Zeilenpruefung ab.") # <<< GEÄNDERT break # Brich die Schleife ab self.logger.info(f"Zeile {i}: M gefuellt & AN leer. Versuche Wiki-Re-Extraktion ueber _process_single_row...") # <<< GEÄNDERT try: # RUFE _process_single_row AUF (Block 19). # Mit steps_to_run={'wiki'} und force_reeval=True, # damit nur der Wiki-Schritt ausgefuehrt wird und Timestamps ignoriert werden. # Im Re-Extract Modus loeschen wir das 'x'-Flag NICHT automatisch. self._process_single_row( row_num_in_sheet = i, row_data = row, # Uebergibt die aktuellen Rohdaten der Zeile steps_to_run = {'wiki'}, # <<< NUR der Wiki-Schritt soll laufen force_reeval = True, # <<< Erzwingt die Ausfuehrung des 'wiki' Schritts (ignoriert AN, S). clear_x_flag = False # <<< 'x'-Flag wird in diesem Modus NICHT geloescht ) # _process_single_row (Block 19) loggt intern den Abschluss und fuehrt das Sheet-Update durch. except Exception as e_proc: # Wenn _process_single_row einen Fehler wirft (nachdem interne Retries aufgaben), # fangen wir ihn hier, loggen ihn und fahren mit der naechsten Zeile fort. self.logger.exception(f"FEHLER bei Verarbeitung von Zeile {i} in wiki_reextract_missing_an: {e_proc}") # <<< GEÄNDERT # Hier koennen Sie z.B. einen Fehlerindikator in eine spezielle Spalte im Sheet schreiben lassen. # Dieses Update muesste dann separat oder im naechsten Lauf behandelt werden. # _process_single_row beinhaltet bereits eine kleine Pause am Ende. # Hier ist keine zusaetzliche Pause noetig, wenn _process_single_row erfolgreich war. # Wenn _process_single_row eine Exception wirft, kann hier eine kurze Pause sinnvoll sein. # time.sleep(0.1) # Optional: Kurze Pause bei Fehler nach Exception # Logge den Abschluss des Modus self.logger.info(f"Modus 'wiki_reextract_missing_an' abgeschlossen. {processed_count} Zeilen an _process_single_row uebergeben, {skipped_count} Zeilen uebersprungen.") # <<< GEÄNDERT # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # ============================================================================== # Ende DataProcessor Klasse Utility: Other Specific Tasks Block # ============================================================================== # ============================================================================== # Ende DataProcessor Klasse # ============================================================================== # --- Ende der DataProcessor Klasse --- # Ein pass statement, um die Klassendefinition abzuschliessen, falls keine weiteren Methoden folgen. pass # <-- DIESES pass STATEMENT GEHOERT ZUM ENDE DER KLASSENDEFINITION # ============================================================================== # Hauptausfuehrungsblock & Globale Funktionen nach Klassen # ============================================================================== # Der naechste Block (Block 34) enthaelt die main Funktion und den Entry Point. # ============================================================================== # 6. MAIN FUNCTION (HAUPTEINSTIEGSPUNKT & UI DISPATCHER) # ============================================================================== # Der globale Root Logger wird in main() konfiguriert # logger = logging.getLogger(__name__) # Diesen Logger gibt es schon, keine Neudefinition hier def main(): """ Haupteinstiegspunkt des Skripts. Verarbeitet Kommandozeilen-Argumente, richtet Logging ein, initialisiert Komponenten und dispatchet zu den passenden Modi. """ # WICHTIG: Globale Variable LOG_FILE wird benoetigt (Initialisierung Block 3) global LOG_FILE logger = logging.getLogger(__name__) # <<< JETZT AN DER RICHTIGEN STELLE # --- Initial Logging Setup (Konfiguration von Level und Format) --- # Diese Konfiguration wird wirksam, sobald die Handler hinzugefuegt werden. # Standard-Logging Level festlegen (aus Config Block 1) log_level = logging.DEBUG if getattr(Config, 'DEBUG', False) else logging.INFO log_format = '%(asctime)s - %(levelname)-8s - %(name)-25s - %(message)s' # <<< DIESE ZEILE HINZUFÜGEN/KORRIGIEREN # Root-Logger konfigurieren (mit Console Handler, File Handler wird spaeter hinzugefuegt) # handlers=[] verhindert default Console Handler, wir fuegen ihn manuell hinzu fuer mehr Kontrolle logging.basicConfig(level=log_level, format=log_format, handlers=[]) # log_format wird hier bereits verwendet # Console Handler explizit hinzufuegen console_handler = logging.StreamHandler() console_handler.setLevel(log_level) # Nimm das globale Level console_handler.setFormatter(logging.Formatter(log_format)) # Jetzt sollte log_format definiert sein # Pruefen, ob nicht schon ein Console Handler vorhanden ist (z.B. bei wiederholten Aufrufen in Tests) if not any(isinstance(h, logging.StreamHandler) for h in logging.getLogger('').handlers): logging.getLogger('').addHandler(console_handler) # Testnachricht (geht nur an Konsole, da File Handler noch fehlt) logger.debug("DEBUG Logging initial konfiguriert (nur Konsole).") logger.info("INFO Logging initial konfiguriert (nur Konsole).") # --- Initialisierung (Argument Parser) --- current_script_version = getattr(Config, 'VERSION', 'unknown') # Aus Config Block 1 parser = argparse.ArgumentParser( description=f"Firmen-Datenanreicherungs-Skript {current_script_version}. Automatisiert Anreicherung und Validierung aus Google Sheets.", formatter_class=argparse.RawTextHelpFormatter # Behaelt Formatierung im Help-Text ) # Liste der gueltigen Modi - MUSS mit den elif-Zweigen unten uebereinstimmen! # Kategorisiert fuer die Menue-Ausgabe mode_categories = { "Batch-Verarbeitung (Schritt-Optimiert)": [ "wiki_verify", # Uebereinstimmend mit process_verification_batch (Block 26) "website_scraping", # Uebereinstimmend mit process_website_scraping_batch (Block 27) "summarize_website", # Uebereinstimmend mit process_summarization_batch (Block 28) "branch_eval", # Uebereinstimmend mit process_branch_batch (Block 29) ], "Sequentielle Verarbeitung (Zeilenweise)": [ "full_run", # Nutzt process_rows_sequentially (Block 24) ], "Re-Evaluate Markierte Zeilen (Spalte A='x')": [ "reeval", # Nutzt process_reevaluation_rows (Block 25) ], "Einzelne Dienstprogramme / Suchen": [ "find_wiki_serp", # Nutzt process_find_wiki_serp (Block 30) "website_lookup", # Nutzt process_serp_website_lookup (Block 30) "contacts", # Nutzt process_contact_search (Block 30) "update_wiki_suggestions", # Nutzt process_wiki_updates_from_chatgpt (Block 32) "wiki_reextract_missing_an", # Nutzt process_wiki_reextract_missing_an (Block 32) "website_details", # EXPERIMENTELL - Nutzt process_website_details (Block 32) "train_technician_model", # Nutzt train_technician_model (Block 31) "alignment", # Nutzt globale alignment_demo (Block 14) ], "Kombinierte Laeufe (Vordefiniert)": [ "combined_all", # Definiert eine Sequenz von Batch-Modi ] } # Erstellen Sie eine flache Liste aller validen Modi fuer die Validierung valid_modes = [mode for modes in mode_categories.values() for mode in modes] # Dynamisch generieren des Help-Textes fuer den Modus mode_help_text = "Betriebsmodus. Waehlen Sie einen der folgenden:\n" for category, modes in mode_categories.items(): mode_help_text += f"\n{category}:\n" for mode in modes: mode_help_text += f" - {mode}\n" parser.add_argument("--mode", type=str, help=mode_help_text) # Hilfsargument fuer die CLI-basierte Modusauswahl (wenn --mode gesetzt ist) parser.add_argument("-m", "--cli-mode", dest="mode", action="store_const", const=valid_modes[0] if valid_modes else None, help=argparse.SUPPRESS) # Unterdruecke in --help parser.add_argument("--limit", type=int, help="Maximale Anzahl zu verarbeitender Zeilen in den meisten Modi (prueft Zeilen VOR Ueberspringung/Filterung).", default=None) # start_sheet_row wird primaer fuer full_run verwendet, kann aber auch fuer Bereiche in Batch nuetzlich sein parser.add_argument("--start_sheet_row", type=int, help="Startzeile im Sheet (1-basiert) fuer 'full_run' und einige Batch-Modi. Standard: Automatische Ermittlung basierend auf Timestamp.", default=None) # end_sheet_row fuer Bereiche parser.add_argument("--end_sheet_row", type=int, help="Endzeile im Sheet (1-basiert) fuer 'full_run' und einige Batch-Modi. Standard: Ende des Sheets.", default=None) # Argument fuer den Re-Eval und Full-Run Modus zur Auswahl der Schritte # Moegliche Werte fuer die Schritte: 'wiki', 'chat', 'web', 'ml_predict', etc. (entsprechend den step_type Schluesseln in _process_single_row Block 19) # Default ist 'all' fuer alle Schritte, oder eine spezifische Liste # Dies sind die Schluessel, die _process_single_row (Block 19) in steps_to_run Set erwartet. valid_single_row_steps = ['wiki', 'chat', 'web', 'ml_predict'] # Fuegen Sie hier weitere Schritt-Schluessel hinzu, die _process_single_row versteht single_row_steps_help = f"Komma-getrennte Liste der Schritte im 'reeval' und 'full_run' Modus (z.B. 'wiki,chat').\nMögliche Schritte: {', '.join(valid_single_row_steps)}.\nStandard: {'all' if valid_single_row_steps else 'keine'}" # Standard: alle verfuegbaren Schritte # Standardwert fuer --steps: Alle gueltigen Single-Row Schritte, wenn es welche gibt default_steps_arg = ','.join(valid_single_row_steps) if valid_single_row_steps else '' parser.add_argument("--steps", type=str, help=single_row_steps_help, default=default_steps_arg) # Argumente fuer find_wiki_serp (falls ueber CLI gesteuert) parser.add_argument("--min_umsatz", type=float, help="Mindestumsatz in MIO € (CRM Spalte J) fuer find_wiki_serp Filter.", default=200.0) # Float fuer Konsistenz parser.add_argument("--min_employees", type=int, help="Mindestmitarbeiterzahl (CRM Spalte K) fuer find_wiki_serp Filter.", default=500) # Argumente fuer train_technician_model (Pfade fuer Output-Dateien) parser.add_argument("--model_out", type=str, default=MODEL_FILE, help=f"Pfad fuer das trainierte Modell (.pkl). Standard: {MODEL_FILE}") # Block 1 Konstante parser.add_argument("--imputer_out", type=str, default=IMPUTER_FILE, help=f"Pfad fuer den trainierten Imputer (.pkl). Standard: {IMPUTER_FILE}") # Block 1 Konstante parser.add_argument("--patterns_out", type=str, default=PATTERNS_FILE_JSON, help=f"Pfad fuer die Feature-Spaltenliste (.json). Standard: {PATTERNS_FILE_JSON}") # Block 1 Konstante # TODO: Fuegen Sie hier weitere CLI-Argumente hinzu, falls andere Modi Parameter benoetigen args = parser.parse_args() # --- Konfiguration laden --- Config.load_api_keys() # Nutzt jetzt logging intern (print am Anfang Block 1) # --- Logdatei-Konfiguration abschliessen --- # Bestimmen Sie den Log-Modus Namen basierend auf CLI oder Interaktion # Wir nutzen den CLI Modus Namen, wenn --mode gesetzt ist, sonst "interactive". log_mode_name = args.mode if args.mode else "interactive" LOG_FILE = create_log_filename(log_mode_name) # Nutzt globale Funktion (Block 3) # Wenn die Logdatei erfolgreich erstellt wurde if LOG_FILE: try: # Erstellen Sie den FileHandler fuer die Logdatei # mode='a' zum Anhaengen, encoding='utf-8' fuer Unicode file_handler = logging.FileHandler(LOG_FILE, mode='a', encoding='utf-8') file_handler.setLevel(log_level) # Nimm das globale Level # Verwenden Sie denselben Formatter wie fuer den Console Handler file_handler.setFormatter(logging.Formatter(log_format)) # Fuege FileHandler zum Root-Logger hinzu # Pruefen, ob nicht schon ein File Handler mit demselben Pfad vorhanden ist (z.B. bei wiederholten Aufrufen in Tests) if not any(isinstance(h, logging.FileHandler) and h.baseFilename == os.path.abspath(LOG_FILE) for h in logging.getLogger('').handlers): logging.getLogger('').addHandler(file_handler) logger.info(f"Logging wird jetzt auch in Datei geschrieben: {LOG_FILE}") except Exception as e: # Logge Fehler nur auf Konsole, da FileHandler fehlgeschlagen ist # logger.exception loggt auch an die Konsole, wenn kein FileHandler da ist logger.error(f"Konnte FileHandler fuer Logdatei '{LOG_FILE}' nicht erstellen: {e}") # Optional: Entfernen Sie evtl. den fehlerhaften Handler aus der Liste logging.getLogger('').handlers = [h for h in logging.getLogger('').handlers if not isinstance(h, logging.FileHandler) or h.baseFilename == os.path.abspath(LOG_FILE)] # Entferne nur den fehlerhaften Handler # --- JETZT die Startmeldungen loggen (gehen jetzt in Konsole UND Datei) --- logger.info(f"===== Skript gestartet =====") logger.info(f"Version: {current_script_version}") # Logge den tatsaechlichen Pfad der Logdatei oder die Fehlermeldung logger.info(f"Logdatei: {LOG_FILE if LOG_FILE else 'FEHLER - Keine Logdatei erstellt'}") # Loggen Sie relevante CLI Argumente zur Dokumentation des Laufs logger.info(f"CLI Argumente: {args}") # --- Vorbereitung (Schema, Handler etc.) --- # Laden Sie das Ziel-Branchenschema (Block 6) # load_target_schema ist mit retry_on_failure dekoriert (Block 2). load_target_schema() # Initialisiere GoogleSheetHandler (Block 14) sheet_handler = None # Initialisiere Variable try: # Der GoogleSheetHandler Init (_init_ Methode) baut die Verbindung auf und laedt Daten. # Fehler werden dort gefangen und als ConnectionError erneut geworfen. sheet_handler = GoogleSheetHandler() #<- Zeile 11362 logger.info("GoogleSheetHandler erfolgreich initialisiert.") except ConnectionError as e: # Wenn die Initialisierung des SheetHandlers fehlschlaegt (Verbindungs-/Ladefehler) logger.critical(f"FATAL: Initialisierung des GoogleSheetHandlers fehlgeschlagen: {e}") logger.critical(f"Bitte ueberpruefen Sie Ihre Google Sheets URL, Credentials und Berechtigungen.") logger.critical(f"Bitte Logdatei pruefen fuer Details: {LOG_FILE}") return # Beende Skript, wenn Sheet nicht geladen werden kann except Exception as e: # Fangen Sie andere unerwartete Fehler bei der Initialisierung ab logger.critical(f"FATAL: Unerwarteter Fehler bei Initialisierung von GoogleSheetHandler: {e}") logger.debug(traceback.format_exc()) logger.critical(f"Bitte Logdatei pruefen fuer Details: {LOG_FILE}") return # Beende Skript # Initialisiere WikipediaScraper (Block 14) wiki_scraper = None # Initialisiere Variable try: # Der WikipediaScraper Init (_init_ Methode) konfiguriert die Bibliothek und Requests. # Fehler werden dort gefangen und erneut geworfen. wiki_scraper = WikipediaScraper() logger.info("WikipediaScraper erfolgreich initialisiert.") except Exception as e: # Wenn die Initialisierung des WikipediaScrapers fehlschlaegt logger.critical(f"FATAL: Initialisierung des WikipediaScrapers fehlgeschlagen: {e}") logger.debug(traceback.format_exc()) logger.critical(f"Bitte Logdatei pruefen fuer Details: {LOG_FILE}") # Das Skript kann ohne Wiki Scraper viele Modi nicht sinnvoll laufen return # Beende Skript # TODO: Initialisieren Sie hier weitere Worker-Instanzen, falls Sie separate Klassen haben (z.B. OpenAIHandler, SerpAPIHandler) # openai_handler = OpenAIHandler() # serpapi_handler = SerpAPIHandler() # Initialisiere DataProcessor Instanz (Block 15) mit Handlern # Uebergeben Sie alle benoetigten Handler an den DataProcessor. # Die __init__ Methode des DataProcessor (Block 15) prueft die Typen und wirft Value Error, wenn falsch. try: data_processor = DataProcessor(sheet_handler=sheet_handler, wiki_scraper=wiki_scraper) logger.info("DataProcessor erfolgreich initialisiert.") except Exception as e: # Fangen Sie Fehler bei der DataProcessor Initialisierung ab. logger.critical(f"FATAL: Initialisierung des DataProcessors fehlgeschlagen: {e}") logger.debug(traceback.format_exc()) logger.critical(f"Bitte Logdatei pruefen fuer Details: {LOG_FILE}") return # Beende Skript # --- Modusauswahl und Ausfuehrung --- start_process_time = time.time() # Zeitmessung fuer die Verarbeitung starten logger.info(f"Starte Verarbeitung um {datetime.now().strftime('%H:%M:%S')}...") selected_mode = None # Variable fuer den tatsaechlich auszufuehrenden Modus # --- Ermitteln des zu fuehrenden Modus (CLI hat Prioritaet vor interaktiver Auswahl) --- # Wenn das --mode Argument ueber die Kommandozeile gesetzt wurde if args.mode: selected_mode = args.mode.lower() # Konvertiere zu Kleinbuchstaben # Pruefen Sie, ob der gewaehlte Modus in der Liste der validen Modi enthalten ist if selected_mode not in valid_modes: # Logge einen Fehler und beende das Skript, wenn der Modus ungueltig ist. logger.error(f"Ungueltiger Modus '{args.mode}' ueber Kommandozeile angegeben. Gueltige Modi: {', '.join(valid_modes)}") print(f"Fehler: Ungueltiger Modus '{args.mode}'. Bitte ueberpruefen Sie die Liste der gueltigen Modi (siehe --help).") return # Skript beenden logger.info(f"Betriebsmodus (CLI gewaehlt): {selected_mode}") # Wenn das --mode Argument NICHT ueber die Kommandozeile gesetzt wurde else: # --- Interaktive Modusauswahl ueber die Konsole --- print("\nBitte waehlen Sie den Betriebsmodus:") # Zeigen Sie die Liste der validen Modi kategorisiert an, mit Nummern. mode_options_map = {} # Dictionary zum Abbilden von Zahl/Name auf Modusname option_counter = 1 # Zaehler fuer die numerischen Optionen # Iteriere durch die Kategorien und Modi for category, modes in mode_categories.items(): print(f"\n{category}:") for mode in modes: print(f" {option_counter}: {mode}") mode_options_map[str(option_counter)] = mode # Bilde die numerische Option auf den Modusnamen ab mode_options_map[mode] = mode # Bilde den Modusnamen (kleingeschrieben) auf sich selbst ab (fuer direkte Eingabe) option_counter += 1 # Erhoehe den Zaehler # Fuegen Sie eine Option zum Abbrechen hinzu print(f"\n 0: Abbrechen") mode_options_map['0'] = 'exit' # Bilde 0 auf den speziellen 'exit' Modus ab # Schleife, bis ein gueltiger Modus gewaehlt wurde oder der Benutzer abbricht while selected_mode is None: try: # Lesen Sie die Eingabe vom Benutzer mode_input = input(f"Geben Sie den Modusnamen oder die Zahl ein: ").strip().lower() # Pruefen Sie, ob die Eingabe einer Option in der Map entspricht if mode_input in mode_options_map: selected_mode = mode_options_map[mode_input] # Setzen Sie den gewaehlten Modusnamen # Wenn der 'exit' Modus gewaehlt wurde if selected_mode == 'exit': logger.info("Modus 'exit' gewaehlt. Skript wird beendet.") print("Abgebrochen durch Benutzer.") return # Beende das Skript # Logge den gewaehlten Modus logger.info(f"Betriebsmodus (interaktiv gewaehlt): {selected_mode}") else: # Wenn die Eingabe keinem gueltigen Modus entspricht print("Ungueltige Eingabe. Bitte waehlen Sie eine gueltige Option aus der Liste.") # Wenn selected_mode immer noch None ist, laeuft die Schleife weiter except EOFError: # Benutzer hat Ctrl+D gedrueckt (End-of-File) # Fangen Sie das EOFError ab und beenden Sie das Skript sauber. logger.warning("Interaktive Modus-Eingabe abgebrochen (EOFError). Skript wird beendet.") print("\nEingabe abgebrochen.") return # Beende das Skript except Exception as e: # Fangen Sie andere unerwartete Fehler bei der Eingabe ab logger.error(f"Fehler bei interaktiver Modus-Eingabe: {e}") logger.debug(traceback.format_exc()) print(f"Ein Fehler ist bei der Modus-Eingabe aufgetreten ({e}). Bitte pruefen Sie die Logdatei.") return # Beende das Skript bei unerwartetem Fehler # --- Ausfuehrung des gewaehlten Modus --- try: # Holen Sie die CLI-Argumente fuer Start/End/Limit/Steps limit_arg = args.limit start_row_arg = args.start_sheet_row end_row_arg = args.end_sheet_row # Sonderbehandlung fuer --steps Argument (relevant fuer reeval und full_run) steps_to_run_set = set() # Initialisiere ein leeres Set # Pruefen Sie, ob das --steps Argument gesetzt ist und nicht "all" (case-insensitive) if args.steps and isinstance(args.steps, str) and args.steps.strip().lower() != 'all': # Teilen Sie den String in Schritte auf und bereinigen Sie Leerzeichen steps_list = [step.strip().lower() for step in args.steps.split(',') if step.strip()] # Filtern Sie nur erlaubte Schritte (die von _process_single_row verstanden werden Block 19) steps_to_run_set = set(step for step in steps_list if step in valid_single_row_steps) # valid_single_row_steps wurde oben definiert # Logge eine Warnung, wenn ungueltige Schritte angegeben wurden if len(steps_to_run_set) != len(steps_list): invalid_steps = [step for step in steps_list if step not in valid_single_row_steps] logger.warning(f"Ignoriere ungueltige Schritte im --steps Argument: {invalid_steps}. Fuehre nur {steps_to_run_set} aus.") # Wenn nach der Filterung keine gueltigen Schritte uebrig sind if not steps_to_run_set: logger.error("Keine gueltigen Schritte im --steps Argument gefunden. Re-Eval/Full-Run kann nicht gestartet werden.") print("Fehler: Keine gueltigen Schritte fuer den Modus ausgewaehlt. Bitte ueberpruefen Sie das --steps Argument.") return # Skript beenden, wenn keine Schritte ausgewaehlt sind # Wenn das --steps Argument 'all' ist oder nicht gesetzt else: # Fuhren Sie standardmaessig alle gueltigen Single-Row Schritte aus. steps_to_run_set = set(valid_single_row_steps) # valid_single_row_steps wurde oben definiert # Logge, welche Schritte ausgewaehlt wurden, wenn es der Standard ist if default_steps_arg: # Wenn es ueberhaupt gueltige Schritte gibt logger.debug(f"--steps Argument 'all' oder nicht gesetzt. Standard Schritte: {steps_to_run_set}.") # Dispatching basierend auf dem gewaehlten Modus (selected_mode) logger.info(f"Starte Ausfuehrung des Modus: {selected_mode}") # ---- Kombinierte LÄUFE ---- if selected_mode == "combined_all": # Führt die wichtigsten Batch-Modi nacheinander aus logger.info("--- Start Kombinierter Modus: wiki_verify ---") # Rufe die Methode der DataProcessor Instanz auf (Block 26) data_processor.process_verification_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) logger.info("--- Start Kombinierter Modus: website_scraping ---") # Rufe die Methode der DataProcessor Instanz auf (Block 27) data_processor.process_website_scraping_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) logger.info("--- Start Kombinierter Modus: summarize_website ---") # Rufe die Methode der DataProcessor Instanz auf (Block 28) data_processor.process_summarization_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) logger.info("--- Start Kombinierter Modus: branch_eval ---") # Rufe die Methode der DataProcessor Instanz auf (Block 29) data_processor.process_branch_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) # TODO: Fuegen Sie hier weitere Batch-Modi hinzu, falls sie im kombinierten Lauf enthalten sein sollen logger.info("--- Kombinierter Modus abgeschlossen ---") # ---- Batch-VERARBEITUNG (Schritt-Optimiert) ---- elif selected_mode == "wiki_verify": # Entspricht dem Batch-Modus Wiki Verifizierung (AX) # Rufe die Methode der DataProcessor Instanz auf (Block 26) data_processor.process_verification_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) elif selected_mode == "website_scraping": # Entspricht dem Batch-Modus Website Scraping (AR, AT, AP) # Rufe die Methode der DataProcessor Instanz auf (Block 27) data_processor.process_website_scraping_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) elif selected_mode == "summarize_website": # Entspricht dem Batch-Modus Website Summarization (AS, AP) # Rufe die Methode der DataProcessor Instanz auf (Block 28) data_processor.process_summarization_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) elif selected_mode == "branch_eval": # Entspricht dem Batch-Modus Branchen-Einstufung (W-Y, AO, AP) # Rufe die Methode der DataProcessor Instanz auf (Block 29) data_processor.process_branch_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) # ---- Sequentielle VERARBEITUNG (Zeilenweise) ---- elif selected_mode == "full_run": # Nutzt process_rows_sequentially (Block 24) # Full_run verarbeitet sequentiell einen Bereich. # Startzeile wird vom CLI Argument oder automatisch ermittelt (erste leere AO). # Endzeile vom CLI Argument oder bis Ende Sheet. # Limit begrenzt die Anzahl der *verarbeiteten* Zeilen im Bereich. calculated_start_sheet_row = start_row_arg # Beginne mit CLI Argument start_sheet_row # Wenn start_sheet_row nicht ueber CLI gesetzt wurde if calculated_start_sheet_row is None: # Automatische Ermittlung der Startzeile (erste Zeile ohne AO) logger.info("Automatische Ermittlung der Startzeile fuer sequenzielle Verarbeitung (erste Zeile ohne AO)...") # get_start_row_index (Block 14) gibt 0-basierten Index in Daten (ohne Header) zurueck. # Prueft auf leeren AO (Block 1 Column Map). start_data_index_no_header = sheet_handler.get_start_row_index(check_column_key="Timestamp letzte Pruefung", min_sheet_row=7) # Wenn get_start_row_index -1 zurueckgibt (Fehler) if start_data_index_no_header == -1: logger.error("FEHLER bei automatischer Ermittlung der Startzeile. Kann Full-Run nicht starten.") return # Beende das Skript # Berechne die 1-basierte Sheet-Startzeile aus dem 0-basierten Daten-Index calculated_start_sheet_row = start_data_index_no_header + sheet_handler._header_rows + 1 # Block 14 SheetHandler Attribut # Berechnen Sie die tatsaechliche Anzahl der zu verarbeitenden Zeilen im Bereich. # (basierend auf Endzeile und Limit) total_sheet_rows = len(sheet_handler.get_all_data_with_headers()) # Block 14 SheetHandler calculated_end_sheet_row = end_row_arg if end_row_arg is not None else total_sheet_rows # Stellen Sie sicher, dass die Endzeile nicht vor der Startzeile liegt calculated_end_sheet_row = max(calculated_start_sheet_row - 1, calculated_end_sheet_row) # Die Anzahl der Zeilen im betrachteten Bereich rows_in_range = max(0, calculated_end_sheet_row - calculated_start_sheet_row + 1) # num_to_process ist das Limit, angewendet auf die Zeilen im Bereich. num_to_process_calc = rows_in_range # Standard: alle Zeilen im Bereich # Wenn ein Limit ueber CLI gesetzt wurde und es gueltig ist if limit_arg is not None and isinstance(limit_arg, int) and limit_arg >= 0: num_to_process_calc = min(rows_in_range, limit_arg) # Wenn es Zeilen zu verarbeiten gibt if num_to_process_calc > 0: logger.info(f"'full_run': Verarbeite {num_to_process_calc} Zeilen im Sheet-Bereich [{calculated_start_sheet_row}, {calculated_end_sheet_row}].") # Rufe die sequentielle Verarbeitungsmethode auf (Block 24) # _process_single_row (Block 19) wird intern aufgerufen. data_processor.process_rows_sequentially( start_sheet_row = calculated_start_sheet_row, num_to_process = num_to_process_calc, # Uebergeben Sie die aus dem --steps Argument ermittelten Flags (steps_to_run_set) process_wiki_steps='wiki' in steps_to_run_set, process_chatgpt_steps='chat' in steps_to_run_set, process_website_steps='web' in steps_to_run_set, process_ml_steps='ml_predict' in steps_to_run_set # TODO: Weitere Schritt-Flags hier uebergeben # force_reeval_in_single_row=False # Normalerweise kein Re-Eval im Full-Run # clear_x_flag=False # Normalerweise kein X loeschen im Full-Run ) else: # Wenn keine Zeilen zu verarbeiten sind logger.info(f"Keine Zeilen fuer 'full_run' zu verarbeiten im Bereich [{calculated_start_sheet_row}, {calculated_end_sheet_row}] mit Limit {limit_arg}.") # ---- Re-EVALUATE Markierte Zeilen ---- elif selected_mode == "reeval": # Nutzt process_reevaluation_rows (Block 25) # reeval Modus nutzt immer force_reeval=True in _process_single_row. # Das 'x'-Flag wird von _process_single_row (Block 21) geloescht, wenn clear_flag=True uebergeben wird. # Das Limit wird direkt an process_reevaluation_rows uebergeben und dort gehandhabt. if limit_arg is not None and isinstance(limit_arg, int) and limit_arg <= 0: # Wenn ein Limit von 0 oder weniger angegeben wurde logger.info(f"Limit {limit_arg} angegeben im Re-Eval Modus. Ueberspringe Verarbeitung.") else: # Rufe die Methode der DataProcessor Instanz auf (Block 25) data_processor.process_reevaluation_rows( row_limit=limit_arg, # Uebergibt das Limit (kann None sein) clear_flag=True, # Standardmaessig das 'x'-Flag loeschen # Uebergeben Sie die aus dem --steps Argument ermittelten Schritte (steps_to_run_set) process_wiki_steps='wiki' in steps_to_run_set, process_chatgpt_steps='chat' in steps_to_run_set, process_website_steps='web' in steps_to_run_set, process_ml_steps='ml_predict' in steps_to_run_set # TODO: Weitere Schritt-Flags hier uebergeben ) # ---- Einzelne DIENSTPROGRAMME / SUCHEN ---- elif selected_mode == "find_wiki_serp": # Nutzt process_find_wiki_serp (Block 30) # find_wiki_serp sucht leere AY mit Groessenfilter. Nutzt limit, min_employees, min_umsatz. # Start/Endzeile koennen manuell gesetzt werden oder werden automatisch ermittelt (erste leere AY). data_processor.process_find_wiki_serp( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg, # Kann manuell gesetzt werden min_employees=args.min_employees, # Aus CLI Argument min_umsatz=args.min_umsatz # Aus CLI Argument ) elif selected_mode == "website_lookup": # Nutzt process_serp_website_lookup (Block 30) # website_lookup sucht leere D. Nutzt limit. Start/Endzeile koennen manuell gesetzt werden. data_processor.process_serp_website_lookup( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg # Kann manuell gesetzt werden ) elif selected_mode == "contacts": # Nutzt process_contact_search (Block 30) # contacts sucht leere AM. Nutzt limit. Start/Endzeile koennen manuell gesetzt werden. data_processor.process_contact_search( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg # Kann manuell gesetzt werden ) elif selected_mode == "update_wiki_suggestions": # Nutzt process_wiki_updates_from_chatgpt (Block 32) # update_wiki_suggestions prueft Status S. Nutzt limit. Start/Endzeile koennen manuell gesetzt werden. data_processor.process_wiki_updates_from_chatgpt( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg # Kann manuell gesetzt werden ) elif selected_mode == "wiki_reextract_missing_an": # Nutzt process_wiki_reextract_missing_an (Block 32) # wiki_reextract_missing_an sucht M gefuellt & AN leer. Nutzt limit. Start/Endzeile koennen manuell gesetzt werden. # Ruft intern _process_single_row mit steps={'wiki'} und force_reeval=True auf. data_processor.process_wiki_reextract_missing_an( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg # Kann manuell gesetzt werden ) elif selected_mode == "website_details": # EXPERIMENTELL - Nutzt process_website_details (Block 32) # website_details sucht 'x' in A. Nutzt limit. Start/Endzeile koennen manuell gesetzt werden. data_processor.process_website_details( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg # Kann manuell gesetzt werden ) elif selected_mode == "train_technician_model": # Nutzt train_technician_model (Block 31) # training braucht keine Zeilenlimits im Sinne eines Bereichs oder der Anzahl zu verarbeitender Zeilen im Sheet. # Es nutzt prepare_data_for_modeling (Block 31), die alle relevanten Zeilen filtert. # Die output-Pfade werden aus CLI Argumenten genommen (args). data_processor.train_technician_model( model_out=args.model_out, # Aus CLI Argument imputer_out=args.imputer_out, # Aus CLI Argument patterns_out=args.patterns_out # Aus CLI Argument (JSON Datei) ) elif selected_mode == "alignment": # Nutzt globale alignment_demo (Block 14) # alignment_demo ist eine globale Funktion, die das sheet Objekt braucht. # Sie braucht keine Zeilenlimits oder Start/Ende. if sheet_handler and sheet_handler.sheet: alignment_demo(sheet_handler.sheet) else: logger.error("Sheet-Handler oder Sheet-Objekt nicht verfuegbar fuer Alignment-Demo.") # ---- Modus nicht gefunden (sollte durch Validierung oben abgefangen werden) ---- else: # Dieser Zweig sollte aufgrund der Validierung am Anfang nie erreicht werden. logger.error(f"Unerwarteter Modus '{selected_mode}' erreichte das Ausfuehrungsende des Dispatchers.") print(f"Interner Fehler: Unbekannter Modus '{selected_mode}'.") # --- Ausnahmebehandlung fuer den gesamten Ausfuehrungsblock --- except KeyboardInterrupt: # Wenn der Benutzer das Skript manuell unterbricht (Ctrl+C) logger.warning("Skript durch Benutzer unterbrochen (KeyboardInterrupt).") print("\n! Skript wurde manuell beendet.") except Exception as e: # Dieser Block faengt alle unerwarteten Exceptions ab, die in den aufgerufenen # Funktionen/Methoden passieren und nicht intern gefangen und behandelt werden. logger.critical(f"FATAL: Unerwarteter Fehler waehrend der Ausfuehrung von Modus '{selected_mode}': {e}") # exception() loggt den Fehlertyp, die Nachricht und den vollständigen Traceback. logger.exception("Traceback des kritischen Fehlers:") # Gebe eine Fehlermeldung an die Konsole aus, die auf das Log verweist. print(f"\n! Ein kritischer Fehler ist aufgetreten: {type(e).__name__} - {e}") print(f"Bitte pruefen Sie die Logdatei fuer Details: {LOG_FILE}") # --- Abschluss der Skriptausfuehrung --- end_process_time = time.time() # Ende der Zeitmessung duration = end_process_time - start_process_time # Berechne die Gesamtdauer logger.info(f"Verarbeitung abgeschlossen um {datetime.now().strftime('%H:%M:%S')}.") logger.info(f"Gesamtdauer: {duration:.2f} Sekunden.") logger.info(f"===== Skript beendet =====") # Schliesse Logging Handler explizit # Dies stellt sicher, dass alle gepufferten Logmeldungen in die Datei geschrieben werden. logging.shutdown() # Logfile Pfad fuer den Nutzer auf der Konsole ausgeben if LOG_FILE: print(f"\nVerarbeitung abgeschlossen. Logfile: {LOG_FILE}") else: print("\nVerarbeitung abgeschlossen. Es konnte keine Logdatei erstellt werden.") # ============================================================================== # 7. ENTRY POINT # ============================================================================== # Fuehrt die main-Funktion aus, wenn das Skript direkt gestartet wird. if __name__ == '__main__': # Die main() Funktion enthaltet nun die gesamte Logik und Initialisierung. # Alle globalen imports und Funktionen MÜSSEN VOR diesem Block definiert sein. # Die Klassen MÜSSEN VOR diesem Block definiert sein. main() # ========================================================================== # === Utility Methods (ML Data Prep & Training) ============================ # ========================================================================== # --- Methode fuer ML Vorhersage (AU) --- # Diese Methode wird in _process_single_row (Block 21) aufgerufen, wenn der ML-Schritt angefordert ist und noetig ist. # Sie fuehrt eine Vorhersage des Servicetechniker-Buckets fuer eine einzelne Zeile mit dem trainierten ML-Modell durch. # Sie nutzt das geladene Modell und den Imputer (Attribute der DataProcessor Instanz). # Nutzt interne Helfer: _get_cell_value_safe, _load_ml_model (denselben Block). # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, pandas, numpy, re, clean_text (Block 4), get_valid_numeric (Block 5). def _predict_technician_bucket(self, row_data): """ Fuehrt eine Vorhersage des Servicetechniker-Buckets fuer eine einzelne Zeile mit dem trainierten ML-Modell durch. Laedt das Modell und den Imputer bei Bedarf. Args: row_data (list): Die Rohdaten fuer die Zeile. Returns: str: Der vorhergesagte Bucket-Label oder "FEHLER Schaetzung" bei Fehler/kein Ergebnis. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge den Start der ML-Schaetzung fuer diese Zeile company_name = self._get_cell_value_safe(row_data, 'CRM Name').strip() # Block 1 Column Map self.logger.debug(f"Versuche ML-Schaetzung fuer Zeile ({company_name[:50]}...)") # Gekuerzt loggen # Laden Sie das Modell, den Imputer und die erwarteten Feature-Spalten, falls noch nicht geschehen. # Diese werden als Attribute der DataProcessor Instanz gespeichert (_load_ml_model denselben Block). if self.model is None or self.imputer is None or self._expected_features is None: self.logger.info("Lade ML-Modell, Imputer und Feature-Spalten...") try: # Der Aufruf von _load_ml_model (denselben Block) ist nicht mit retry_on_failure dekoriert, # da das Laden lokaler Dateien nicht wiederholt werden muss. Fehler deuten auf ein permanentes Problem hin. self._load_ml_model(MODEL_FILE, IMPUTER_FILE) # Nutzt globale Konstanten (Block 1) # Pruefe erneut, ob das Laden erfolgreich war. if self.model is None or self.imputer is None or self._expected_features is None: self.logger.error("Laden von Modell, Imputer oder Feature-Spalten fehlgeschlagen. Kann ML-Schaetzung nicht durchfuehren.") return "FEHLER Schaetzung" # Gebe Fehlerwert zurueck, wenn Laden fehlschlug self.logger.info("ML-Modell, Imputer und Feature-Spalten erfolgreich geladen.") except Exception as e: # Fange Fehler beim Laden ab und logge sie. self.logger.error(f"FEHLER beim Laden von ML-Modell/Imputer/Feature-Spalten: {e}") # Logge den Traceback. self.logger.debug(traceback.format_exc()) # Geben Sie einen Fehlerwert zurueck. return f"FEHLER Laden: {str(e)[:100]}..." # Signalisiert Ladefehler (gekuerzt) # --- Bereiten Sie die Daten fuer DIESE EINE ZEILE fuer die Vorhersage vor --- try: # Diese Logik ist aehnlich wie in prepare_data_for_modeling (denselben Block), # aber nur fuer eine einzelne Zeile und muss mit den exakt gleichen # Spaltennamen, Normalisierungs- und Encoding-Schritten arbeiten wie das Training. # Hole die benoetigten Spaltenwerte fuer diese Zeile (basierend auf COLUMN_MAP keys Block 1) row_values = { # "CRM Name": self._get_cell_value_safe(row_data, "CRM Name"), # Nicht benoetigt fuer Vorhersage "CRM Branche": self._get_cell_value_safe(row_data, "CRM Branche"), # Block 1 Column Map "CRM Umsatz": self._get_cell_value_safe(row_data, "CRM Umsatz"), # Block 1 Column Map "Wiki Umsatz": self._get_cell_value_safe(row_data, "Wiki Umsatz"), # Block 1 Column Map "CRM Anzahl Mitarbeiter": self._get_cell_value_safe(row_data, "CRM Anzahl Mitarbeiter"), # Block 1 Column Map "Wiki Mitarbeiter": self._get_cell_value_safe(row_data, "Wiki Mitarbeiter"), # Block 1 Column Map # Technikerzahl wird fuer die Vorhersage NICHT benoetigt # "CRM Anzahl Techniker": self._get_cell_value_safe(row_data, "CRM Anzahl Techniker"), } # Erstellen Sie einen temporaeren DataFrame fuer diese eine Zeile aus den extrahierten Werten df_single_row = pd.DataFrame([row_values]) # --- Konsolidieren Umsatz/Mitarbeiter (Wiki > CRM) --- # Nutzt globale Funktion get_valid_numeric (Block 5) fuer die Konvertierung. # Diese Funktion gibt numerische Werte (Float/Int) oder NaN zurueck. # Stellen Sie sicher, dass die Spalten existieren, bevor apply aufgerufen wird. # Diese Spalten sollten aus row_values extrahiert worden sein, wenn COLUMN_MAP korrekt ist. crm_umsatz_series = df_single_row['CRM Umsatz'].apply(get_valid_numeric) if 'CRM Umsatz' in df_single_row.columns else pd.Series(np.nan, index=df_single_row.index) wiki_umsatz_series = df_single_row['Wiki Umsatz'].apply(get_valid_numeric) if 'Wiki Umsatz' in df_single_row.columns else pd.Series(np.nan, index=df_single_row.index) crm_ma_series = df_single_row['CRM Anzahl Mitarbeiter'].apply(get_valid_numeric) if 'CRM Anzahl Mitarbeiter' in df_single_row.columns else pd.Series(np.nan, index=df_single_row.index) wiki_ma_series = df_single_row['Wiki Mitarbeiter'].apply(get_valid_numeric).astype(float) if 'Wiki Mitarbeiter' in df_single_row.columns else pd.Series(np.nan, index=df_single_row.index) # Muss Float sein wie andere numerische # np.where waehlt den Wiki-Wert, wenn nicht NaN, sonst den CRM-Wert. df_single_row['Finaler_Umsatz'] = np.where( wiki_umsatz_series.notna(), wiki_umsatz_series, crm_umsatz_series ) df_single_row['Finaler_Mitarbeiter'] = np.where( wiki_ma_series.notna(), wiki_ma_series, crm_ma_series ) # Pruefen Sie, ob die konsolidierten numerischen Features NaN sind. # ML-Vorhersage kann nicht durchgefuehrt werden, wenn diese komplett fehlen (werden vom Imputer erwartet). if pd.isna(df_single_row['Finaler_Umsatz'].iloc[0]) and pd.isna(df_single_row['Finaler_Mitarbeiter'].iloc[0]): self.logger.debug(f" -> ML-Schaetzung uebersprungen: Konsolidierter Umsatz und Mitarbeiter fehlen fuer Zeile.") return "k.A. (Daten fehlen)" # Gebe spezifischen Wert zurueck # --- Kategoriale Features (Branche) --- branche_col_name = "CRM Branche" # Original Header Name aus COLUMN_MAP (Block 1) # Stellen Sie sicher, dass die Spalte existiert und ein String ist. Fuellen Sie NaNs mit 'Unbekannt'. if branche_col_name not in df_single_row.columns: self.logger.warning(f"Spalte '{branche_col_name}' nicht im DataFrame fuer ML-Vorhersage gefunden. Behandle als 'Unbekannt'.") df_single_row[branche_col_name] = 'Unbekannt' # Setze einen Default-Wert df_single_row[branche_col_name] = df_single_row[branche_col_name].astype(str).fillna('Unbekannt').str.strip() # One-Hot Encoding # WICHTIG: Muss alle BRANCHEN aus dem TRAININGSDATENSATZ (self._expected_features) enthalten, # auch wenn diese in der einzelnen Zeile nicht vorkommen. # pd.get_dummies erstellt Spalten nur fuer die Kategorien in df_single_row. df_encoded = pd.get_dummies(df_single_row, columns=[branche_col_name], prefix='Branche', dummy_na=False) # dummy_na=False, da NaNs gefuellt # Fugen Sie fehlende Feature-Spalten hinzu (die im Training vorhanden waren, aber in dieser Zeile nicht). # Stellen Sie die Reihenfolge der Spalten sicher, so wie sie im Training waren (self._expected_features). # self._expected_features wird von _load_ml_model (denselben Block) geladen. if self._expected_features is None: self.logger.error("FEHLER: Erwartete Feature-Spalten fuer ML-Vorhersage nicht geladen. Kann nicht vorhersagen.") return "FEHLER Schaetzung" # Gebe Fehlerwert zurueck # Erstellen Sie einen neuen DataFrame mit allen erwarteten Features und fuellen Sie fehlende mit 0. # Sicherstellen, dass die Spalten im Ergebnis-DF in der Reihenfolge von self._expected_features sind. df_processed = pd.DataFrame(columns=self._expected_features) # Kopieren Sie die Werte aus df_encoded, wo Spalten uebereinstimmen. for col in self._expected_features: if col in df_encoded.columns: df_processed[col] = df_encoded[col] else: df_processed[col] = 0 # Fuege fehlende Spalten mit 0 hinzu # Stellen Sie sicher, dass die numerischen Spalten Float sind (Imputer erwartet das oft) numeric_features_for_imputation = ['Finaler_Umsatz', 'Finaler_Mitarbeiter'] for col in numeric_features_for_imputation: if col in df_processed.columns: df_processed[col] = pd.to_numeric(df_processed[col], errors='coerce') # Wandelt NaN in NaN, Fehler in NaN # --- Imputation der fehlenden Werte --- # Muss konsistent mit dem Imputer aus dem Training sein. # Der Imputer (self.imputer) wird auf die vorbereiteten Features angewendet. if self.imputer is None: self.logger.error("FEHLER: ML-Imputer ist nicht geladen. Kann nicht imputieren/vorhersagen.") return "FEHLER Schaetzung" # Gebe Fehlerwert zurueck # Imputer.transform gibt ein Numpy Array zurueck. df_imputed_array = self.imputer.transform(df_processed) # Konvertiere das Ergebnis zurueck zu einem DataFrame mit den erwarteten Spaltennamen. df_imputed = pd.DataFrame(df_imputed_array, columns=self._expected_features) # Optional: Pruefen Sie, ob nach Imputation NaNs verbleiben (sollte nicht passieren bei SimpleImputer) # if df_imputed.isna().any().any(): # self.logger.warning("WARNUNG: NaNs verbleiben nach Imputation.") # --- Vorhersage --- # Das Decision Tree Modell (self.model) erwartet die vorbereiteten und imputierten Features. if not self.model: self.logger.error("FEHLER: ML-Modell ist nicht geladen. Kann nicht vorhersagen.") return "FEHLER Schaetzung" # Gebe Fehlerwert zurueck # Fuehren Sie die Vorhersage durch. # predict_proba gibt die Wahrscheinlichkeiten fuer jede Klasse zurueck. prediction_proba = self.model.predict_proba(df_imputed) # prediction_proba ist ein Array von Wahrscheinlichkeiten pro Klasse fuer jede Eingabezeile (hier nur 1 Zeile). # Die Klassen-Labels des Modells (z.B. ['Bucket_1', 'Bucket_2', ...]) model_classes = self.model.classes_ # Finden Sie den Index der Klasse mit der hoechsten Wahrscheinlichkeit fuer die erste (und einzige) Zeile. predicted_class_index = np.argmax(prediction_proba[0]) # Holen Sie das entsprechende Label aus den Modell-Klassen. predicted_bucket_label = model_classes[predicted_class_index] # Logge die Vorhersage auf Debug-Level self.logger.debug(f" -> ML Vorhersage Ergebnis: '{predicted_bucket_label}' (Wahrscheinlichkeiten: {prediction_proba[0]})") return predicted_bucket_label # Gebe das vorhergesagte Bucket-Label zurueck (String) except Exception as e: # Fange alle unerwarteten Fehler ab, die waehrend der Datenvorbereitung oder Vorhersage auftreten. self.logger.exception(f"FEHLER bei der Datenvorbereitung/Vorhersage fuer Zeile (ML): {e}") # Logge Fehler und Traceback # Geben Sie einen Fehlerwert zurueck, der im Sheet gespeichert werden kann. return f"FEHLER Schaetzung: {str(e)[:100]}..." # Signalisiert Fehler bei der Schaetzung (gekuerzt) # --- Methode zum Laden des ML Modells und Imputers --- # Diese Methode wird von _predict_technician_bucket (denselben Block) und train_technician_model (denselben Block) aufgerufen. # Sie laedt die serialisierten Modelle von der Festplatte. # Nutzt globale Helfer: MODEL_FILE (Block 1), IMPUTER_FILE (Block 1), PATTERNS_FILE_JSON (Block 1), # logger, os, pickle, json. def _load_ml_model(self, model_path, imputer_path): """ Laedt das trainierte ML-Modell, den Imputer und die erwarteten Feature-Spalten von den definierten Dateipfaden. Speichert sie als Instanzattribute. Args: model_path (str): Dateipfad zum Modell (.pkl). imputer_path (str): Dateipfad zum Imputer (.pkl). # Der Pfad zur Feature-Spaltenliste (JSON) wird aus PATTERNS_FILE_JSON (Block 1) geholt. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Setzen Sie die Instanzattribute zunaechst auf None self.model = None self.imputer = None self._expected_features = None # Liste der erwarteten Feature-Spalten fuer Vorhersage try: # Pruefen Sie, ob die Modelldateien existieren if not os.path.exists(model_path): self.logger.error(f"ML-Modell Datei nicht gefunden: {model_path}") return # Beende die Methode, wenn die Datei fehlt if not os.path.exists(imputer_path): self.logger.error(f"Imputer Datei nicht gefunden: {imputer_path}") return # Beende die Methode, wenn die Datei fehlt # Laden Sie das serialisierte Modell with open(model_path, 'rb') as f: self.model = pickle.load(f) self.logger.info(f"ML-Modell '{model_path}' erfolgreich geladen.") # Loggen Sie die Klassen-Labels des geladenen Modells zur Info if hasattr(self.model, 'classes_'): self.logger.debug(f"Geladene Modell-Klassen: {self.model.classes_}") else: self.logger.debug("Geladenes Modell hat kein 'classes_' Attribut.") # Laden Sie den serialisierten Imputer with open(imputer_path, 'rb') as f: self.imputer = pickle.load(f) self.logger.info(f"Imputer '{imputer_path}' erfolgreich geladen.") # Laden Sie die Liste der erwarteten Feature-Spalten (JSON-Datei wird empfohlen) expected_features_path = PATTERNS_FILE_JSON # Nutzt globale Konstante (Block 1) # Pruefen Sie, ob die Feature-Spalten-Datei existiert if os.path.exists(expected_features_path): try: # Oeffnen Sie die JSON-Datei with open(expected_features_path, 'r', encoding='utf-8') as f: # Laden Sie die Daten aus der JSON-Datei data = json.load(f) # Annahme: Die JSON-Datei enthaelt eine Liste der Feature-Spalten unter dem Schluessel "feature_columns" self._expected_features = data.get("feature_columns") # Pruefen Sie, ob die geladenen Daten eine nicht-leere Liste sind. if self._expected_features and isinstance(self._expected_features, list): self.logger.info(f"Erwartete Feature-Spalten ({len(self._expected_features)}) aus '{expected_features_path}' geladen.") # Loggen Sie die ersten paar erwarteten Features auf Debug # self.logger.debug(f"Erwartete Features (erste 5): {self._expected_features[:5]}...") # Zu viel Laerm im Debug else: # Wenn die geladenen Daten nicht das erwartete Format haben oder leer sind self.logger.error(f"Formatfehler in '{expected_features_path}' oder Schluessel 'feature_columns' fehlt/ist leer. ML-Vorhersage koennte fehlschlagen.") self._expected_features = None # Setze auf None bei Fehler except Exception as e_json: # Fangen Sie Fehler beim Laden oder Parsen der JSON-Datei ab self.logger.error(f"FEHLER beim Laden oder Parsen der Feature-Spalten Datei '{expected_features_path}': {e_json}") # Logge den Traceback self.logger.debug(traceback.format_exc()) self._expected_features = None # Setze auf None bei Fehler else: # Wenn die Feature-Spalten-Datei nicht gefunden wird self.logger.warning(f"Datei mit erwarteten Feature-Spalten '{expected_features_path}' nicht gefunden. ML-Vorhersage koennte fehlschlagen.") self._expected_features = None # Setze auf None, da die Datei fehlt # Fallback: Wenn expected_features nicht geladen werden konnte, versuchen Sie es aus Imputer/Modell zu extrahieren (wenn die Bibliothek es unterstuetzt) if self._expected_features is None: try: # Neuere Scikit-learn Versionen haben oft ein feature_names_in_ Attribut if hasattr(self.imputer, 'feature_names_in_') and self.imputer.feature_names_in_ is not None: self._expected_features = list(self.imputer.feature_names_in_) self.logger.info(f"Erwartete Feature-Spalten ({len(self._expected_features)}) aus Imputer geladen (Fallback).") elif hasattr(self.model, 'feature_names_in_') and self.model.feature_names_in_ is not None: self._expected_features = list(self.model.feature_names_in_) self.logger.info(f"Erwartete Feature-Spalten ({len(self._expected_features)}) aus Modell geladen (Fallback).") else: # Wenn es nirgends gefunden werden konnte self.logger.error("Konnte erwartete Feature-Spalten weder aus Datei noch aus Modell/Imputer extrahieren. ML-Vorhersage wird fehlschlagen.") self._expected_features = None except Exception as e_extract: # Fangen Sie Fehler beim Extrahieren aus Modell/Imputer ab self.logger.error(f"FEHLER beim Extrahieren der Feature-Namen aus Modell/Imputer (Fallback): {e_extract}") # Logge den Traceback self.logger.debug(traceback.format_exc()) self._expected_features = None except Exception as e: # Fange alle anderen unerwarteten Fehler waehrend des Ladens ab self.logger.exception(f"FEHLER beim Laden von ML-Artefakten: {e}") # Logge Fehler und Traceback # Setzen Sie die Attribute auf None bei Fehler self.model = None self.imputer = None self._expected_features = None # Die Methode endet implizit hier nach dem Fangen der Exception. # Methode zur Datenvorbereitung fuer ML (WIRD VON train_technician_model aufgerufen) # Diese Methode laedt alle relevanten Daten aus dem Sheet, bereitet sie auf # und gibt einen DataFrame fuer das Training zurueck. # Basierend auf prepare_data_for_modeling aus Teil 12/13. # Nutzt interne Helfer: _get_cell_value_safe. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, pandas, numpy, re, # clean_text (Block 4), normalize_string (Block 4), get_valid_numeric (Block 5), # load_target_schema (Block 6 - relevant fuer Branchentypen), traceback. # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def prepare_data_for_modeling(self): """ Laedt Daten aus dem Google Sheet ueber den sheet_handler, bereitet sie fuer das Decision Tree Modell vor: - Waehlt relevante Spalten aus und benennt sie um. - Konsolidiert Umsatz/Mitarbeiter (Wiki > CRM Prioritaet). - Filtert nach gueltiger Technikerzahl (> 0). - Erstellt die Zielvariable (Techniker-Bucket). - Bereitet Features auf (One-Hot Encoding fuer Branche). - Behaelt NaNs in numerischen Features fuer spaetere Imputation. Returns: pandas.DataFrame: Vorbereiteter DataFrame fuer Training/Test-Split, oder None bei Fehlern oder wenn keine gueltigen Trainingsdaten gefunden wurden. """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist self.logger.info("Starte Datenvorbereitung fuer Modellierung (Training)...") # Nutzt den self.sheet_handler der Klasse (Block 15). # Pruefen Sie, ob der Sheet Handler initialisiert wurde und Daten hat. if not self.sheet_handler or not self.sheet_handler.sheet_values: self.logger.error("Fehler: Sheet Handler nicht initialisiert oder keine Daten geladen fuer prepare_data_for_modeling.") # Versuchen Sie die Daten einmalig innerhalb dieser Methode zu laden, falls sie fehlen. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.critical("Konnte Daten auch nach erneutem Versuch nicht laden. Abbruch der Datenvorbereitung.") return None # Gebe None zurueck, wenn Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers() # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows # Pruefe auf ausreichende Zeilenzahl (Header + mindestens eine Datenzeile) min_required_rows = header_rows + 1 # Wenn nicht genuegend Zeilen da sind if not all_data or len(all_data) < min_required_rows: self.logger.error(f"Fehler: Nicht genuegend Datenzeilen ({len(all_data)}) im Sheet gefunden fuer Modellierung (mindestens {min_required_rows} benoetigt).") return None # Gebe None zurueck, wenn nicht genuegend Daten da sind # --- Header pruefen und DataFrame erstellen --- try: # Die erste Zeile sollte die Spaltennamen enthalten. headers = all_data[0] # Stellen Sie sicher, dass die Header-Zeile auch die erwartete Mindestlaenge hat, # um die Spaltenindizes aus COLUMN_MAP (Block 1) zu finden. try: max_col_idx_in_map = max(COLUMN_MAP.values()) # Finde den hoechsten Index in COLUMN_MAP # Pruefen Sie, ob die Anzahl der geladenen Spalten im Header ausreicht if len(headers) <= max_col_idx_in_map: # Logge einen kritischen Fehler, wenn das Mapping auf Spalten zeigt, die nicht im Sheet existieren self.logger.critical(f"FEHLER: Header-Zeile ({len(headers)} Spalten) ist kuerzer als der hoechste Index in COLUMN_MAP ({max_col_idx_in_map}). COLUMN_MAP passt nicht zum Sheet.") return None # Beende die Methode except ValueError: # Tritt auf, wenn COLUMN_MAP leer ist self.logger.critical("FEHLER: COLUMN_MAP scheint leer zu sein oder enthaelt keine Werte. Kann Max Index nicht ermitteln.") return None # Beende die Methode except Exception as e: # Fange andere unerwartete Fehler ab self.logger.critical(f"FEHLER beim Pruefen der Spaltenlaenge der Header-Zeile: {e}") return None # Beende die Methode except IndexError: # Wenn das Sheet leer ist oder keine erste Zeile hat self.logger.critical("FEHLER: Sheet scheint leer zu sein oder hat keine erste Zeile, keine Header gefunden.") return None # Beende die Methode except Exception as e: # Fange andere unerwartete Fehler beim Zugriff auf Header ab self.logger.critical(f"FEHLER beim Zugriff auf Header: {e}") # Logge den Traceback self.logger.debug(traceback.format_exc()) return None # Beende die Methode # Datenzeilen sind alle Zeilen nach den Header-Zeilen data_rows = all_data[header_rows:] # Annahme: Die ersten X Zeilen sind Header # Erstelle DataFrame aus den Datenzeilen und den Headern df = pd.DataFrame(data_rows, columns=headers) self.logger.info(f"Initialen DataFrame fuer Modellierung erstellt mit {len(df)} Zeilen und {len(df.columns)} Spalten.") # --- Spaltenauswahl und Umbenennung --- # Definiere die notwendigen Spalten anhand ihrer COLUMN_MAP Schluessel (Block 1) # und weisen ihnen interne, einfachere Namen zu, die im DataFrame verwendet werden. col_keys_mapping = { "name": "CRM Name", # Zur Identifikation, wird spaeter entfernt "branche_crm": "CRM Branche", # Fuer One-Hot Encoding "umsatz_crm": "CRM Umsatz", # Fuer Konsolidierung "umsatz_wiki": "Wiki Umsatz", # Fuer Konsolidierung "ma_crm": "CRM Anzahl Mitarbeiter", # Fuer Konsolidierung "ma_wiki": "Wiki Mitarbeiter", # Fuer Konsolidierung "techniker": "CRM Anzahl Techniker" # DIE ZIELVARIABLE (Bekannte Technikerzahl) } # Ueberpruefe, ob alle benoetigten Spalten-Schluessel in der COLUMN_MAP (Block 1) vorhanden sind missing_keys_in_map = [key for key in col_keys_mapping.values() if key not in COLUMN_MAP] if missing_keys_in_map: self.logger.critical(f"FEHLER: Folgende benoetigte Spalten-Schluessel fehlen in COLUMN_MAP fuer prepare_data_for_modeling: {missing_keys_in_map}.") return None # Beende die Methode # Erstelle das Mapping von tatsaechlichen Header-Namen zu internen Schluesseln. # Verwende die Header-Namen aus dem geladenen Sheet und die COLUMN_MAP, um die richtigen Header zu finden. header_to_internal_key = {} # Dict zum Umbenennen der Spalten cols_to_select_by_header = [] # Liste der Header-Namen, die aus dem DF ausgewaehlt werden try: # Iteriere ueber das Mapping von internen zu COLUMN_MAP Schluesseln for internal_key, column_map_key in col_keys_mapping.items(): # Hole den tatsaechlichen Header-Namen aus dem Sheet header_name_from_sheet = headers[COLUMN_MAP[column_map_key]] # Fuege das Mapping hinzu header_to_internal_key[header_name_from_sheet] = internal_key # Fuege den Header-Namen zur Liste der auszuwaehlenden Spalten hinzu cols_to_select_by_header.append(header_name_from_sheet) # Waehle nur die benoetigten Spalten im DataFrame aus df_subset = df[cols_to_select_by_header].copy() # Kopie erstellen, um SettingWithCopyWarning zu vermeiden # Benenne die Spalten um zu den internen Namen df_subset.rename(columns=header_to_internal_key, inplace=True) except KeyError as e: # Dieser Fehler sollte eigentlich durch die obige Pruefung abgefangen werden, # tritt aber auf, wenn ein erwarteter Header-Name nicht im geladenen DF ist (selten, wenn COLUMN_MAP korrekt ist). self.logger.critical(f"FEHLER beim Auswaehlen/Umbenennen der Spalten (KeyError: '{e}'). Der Header wurde nicht im DataFrame gefunden.") self.logger.debug(f"Erwartete Header: {cols_to_select_by_header}. Verfuegbare Header im DF: {list(df.columns)}") return None # Beende die Methode except IndexError as e: # Tritt auf, wenn COLUMN_MAP einen Index > Anzahl Spalten im DF hat self.logger.critical(f"FEHLER beim Auswaehlen/Umbenennen der Spalten (IndexError: '{e}'). COLUMN_MAP zeigt auf Spalten, die nicht im geladenen Sheet existieren.") self.logger.debug(f"COLUMN_MAP: {COLUMN_MAP}. Sheet hat {len(headers)} Spalten.") return None # Beende die Methode except Exception as e: # Fange andere unerwartete Fehler ab self.logger.critical(f"Unerwarteter FEHLER beim Auswaehlen/Umbenennen der Spalten: {e}") # Logge den Traceback self.logger.debug(traceback.format_exc()) return None # Beende die Methode self.logger.info(f"Benötigte Spalten fuer Modellierung ausgewaehlt und umbenannt: {list(df_subset.columns)}") # --- Features konsolidieren (Umsatz, Mitarbeiter) --- # Nutzt die globale Hilfsfunktion get_valid_numeric (Block 5), die numerische Werte als Float/Int oder NaN zurueckgibt. cols_to_process = { 'Umsatz': ('umsatz_wiki', 'umsatz_crm', 'Finaler_Umsatz'), 'Mitarbeiter': ('ma_wiki', 'ma_crm', 'Finaler_Mitarbeiter') } for base_name, (wiki_col, crm_col, final_col) in cols_to_process.items(): self.logger.debug(f"Verarbeite und konsolidiere '{base_name}' (Prioritaet: Wiki > CRM)...") # Sicherstellen, dass die Spalten im df_subset existieren, bevor apply aufgerufen wird. # Dies sollte durch die Spaltenauswahl oben garantiert sein, aber zur Sicherheit. wiki_series = df_subset[wiki_col].apply(get_valid_numeric) if wiki_col in df_subset.columns else pd.Series(np.nan, index=df_subset.index) crm_series = df_subset[crm_col].apply(get_valid_numeric) if crm_col in df_subset.columns else pd.Series(np.nan, index=df_subset.index) # np.where waehlt den Wiki-Wert, wenn er nicht NaN ist, sonst den CRM-Wert. df_subset[final_col] = np.where( wiki_series.notna(), # Wenn Wiki-Wert vorhanden ist (nicht NaN) wiki_series, # Nimm den Wiki-Wert crm_series # Sonst nimm den CRM-Wert (der auch NaN sein kann) ) # Info-Log ueber Ergebnis self.logger.info(f" -> {df_subset[final_col].notna().sum()} gueltige '{final_col}' Werte erstellt (von {len(df_subset)} Zeilen).") # --- Zielvariable vorbereiten (Technikerzahl) --- techniker_col_internal = "techniker" # Interne Spaltenname nach Umbenennung (aus col_keys_mapping) self.logger.info(f"Verarbeite Zielvariable '{techniker_col_internal}'...") # Sicherstellen, dass die Spalte existiert if techniker_col_internal not in df_subset.columns: self.logger.critical(f"FEHLER: Zielvariable '{techniker_col_internal}' (CRM Anzahl Techniker) nicht im DataFrame gefunden nach Umbenennung.") return None # Beende die Methode # Konvertiere zu Numerisch (Float/Int oder NaN) mit get_valid_numeric (Block 5). # Dies stellt sicher, dass nur gueltige, positive Zahlen verwendet werden. df_subset['Anzahl_Servicetechniker_Numeric'] = df_subset[techniker_col_internal].apply(get_valid_numeric) # Filtere Zeilen: Behalte nur die mit gueltiger, positiver Technikerzahl (Float > 0). initial_rows = len(df_subset) # Hier filtern wir basierend auf der numerischen Spalte, die durch get_valid_numeric erstellt wurde. df_filtered = df_subset[ df_subset['Anzahl_Servicetechniker_Numeric'].notna() & # Nicht NaN (df_subset['Anzahl_Servicetechniker_Numeric'] > 0) # Und groesser als 0 ].copy() # WICHTIG: .copy() um SettingWithCopyWarning zu vermeiden filtered_rows = len(df_filtered) removed_rows = initial_rows - filtered_rows # Info, wenn Zeilen entfernt wurden if removed_rows > 0: self.logger.info(f"{removed_rows} Zeilen entfernt aufgrund fehlender/ungueltiger Technikerzahl (Wert <= 0 oder nicht numerisch/parsebar).") self.logger.info(f"Verbleibende Zeilen fuer Modellierungstraining (mit gueltiger Technikerzahl > 0): {filtered_rows}") # Wenn keine Zeilen uebrig bleiben, kann kein Modell trainiert werden. if filtered_rows == 0: self.logger.error("FEHLER: Keine Zeilen mit gueltiger Technikerzahl (>0) uebrig fuer Modellierungstraining!") return None # Beende die Methode # --- Techniker-Buckets erstellen --- # Die Bins und Labels muessen die gefilterten Daten widerspiegeln (die jetzt alle > 0 sind). # Die Bin-Definition muss so sein, dass alle Werte > 0 einem Bucket zugeordnet werden. # Beispiel: (-1, 0] -> Bucket 1 (0), (0, 19] -> Bucket 2 (<20), (19, 49] -> Bucket 3 (<50) etc. # Da wir auf >0 filtern, landet 0 nie im Trainingsset, aber die Bin-Definition muss trotzdem Sinn ergeben. bins = [-1, 0, 19, 49, 99, 249, 499, float('inf')] # Definiere die Grenzen der Buckets labels = ['Bucket_1_(0)', 'Bucket_2_(<20)', 'Bucket_3_(<50)', 'Bucket_4_(<100)', 'Bucket_5_(<250)', 'Bucket_6_(<500)', 'Bucket_7_(>499)'] # Namen fuer die Buckets try: # Erstellen Sie die Bucket-Spalte mit pd.cut df_filtered['Techniker_Bucket'] = pd.cut( df_filtered['Anzahl_Servicetechniker_Numeric'], # Die numerische Technikerzahl-Spalte bins=bins, # Die definierten Grenzen labels=labels, # Die definierten Labels right=True, # Intervalle sind (links, rechts]. z.B. (0, 19] inkludiert 19. include_lowest=True # Inkludiert den niedrigsten Wert der ersten Bin (-1) (relevant, falls 0 moeglich waere) ) self.logger.info("Techniker-Buckets erstellt.") # Pruefe, ob NaNs in Buckets erstellt wurden (sollte bei >0 Filterung und korrekten Bins nicht passieren). if df_filtered['Techniker_Bucket'].isna().any(): nan_bucket_rows = df_filtered['Techniker_Bucket'].isna().sum() self.logger.warning(f"WARNUNG: {nan_bucket_rows} Zeilen mit NaNs in Techniker-Buckets nach pd.cut erstellt. Ueberpruefen Sie die bins/labels oder die Filterung.") # Entfernen Sie diese Zeilen, da sie nicht zum Trainieren verwendet werden koennen. df_filtered.dropna(subset=['Techniker_Bucket'], inplace=True) # Entferne Zeilen mit NaN im Bucket self.logger.info(f"Nach Entfernung von {nan_bucket_rows} Zeilen mit NaN Buckets: {len(df_filtered)} Zeilen verbleiben fuer Training.") # Wenn nach Entfernung keine Zeilen mehr uebrig sind if len(df_filtered) == 0: self.logger.error("FEHLER: Keine Zeilen uebrig nach Entfernung von NaN Buckets. Modell kann nicht trainiert werden.") return None # Beende die Methode # Verteilung der Buckets als Info-Log (absolute Haeufigkeit und Prozent) self.logger.info(f"Verteilung der Techniker-Buckets im Trainingsdatensatz ({len(df_filtered)} Zeilen):\n{df_filtered['Techniker_Bucket'].value_counts(normalize=False).sort_index()}") # Zaehlung self.logger.info(f"Verteilung (Prozent):\n{df_filtered['Techniker_Bucket'].value_counts(normalize=True).sort_index().round(3)}") # Prozent except Exception as e: # Fange Fehler beim Erstellen der Buckets ab self.logger.critical(f"FEHLER beim Erstellen der Techniker-Buckets: {e}") # Logge den Traceback self.logger.debug(traceback.format_exc()) return None # Beende die Methode # --- Kategoriale Features vorbereiten (Branche) --- branche_col_internal = "branche_crm" # Interne Spaltenname nach Umbenennung (aus col_keys_mapping) self.logger.info(f"Verarbeite kategoriales Feature '{branche_col_internal}' fuer One-Hot Encoding...") # Sicherstellen, dass die Spalte existiert if branche_col_internal not in df_filtered.columns: self.logger.critical(f"FEHLER: Spalte '{branche_col_internal}' nicht im DataFrame fuer One-Hot Encoding gefunden.") return None # Beende die Methode # Stelle sicher, dass die Spalte String ist und fülle evtl. NaNs mit 'Unbekannt'. # .str.strip() entfernt führende/endende Leerzeichen. df_filtered[branche_col_internal] = df_filtered[branche_col_internal].astype(str).fillna('Unbekannt').str.strip() # One-Hot Encoding (pd.get_dummies) # dummy_na=False, da wir NaNs bereits mit 'Unbekannt' gefuellt haben. # prefix='Branche' ist gut, um die neuen Spalten zu identifizieren. df_encoded = pd.get_dummies(df_filtered, columns=[branche_col_internal], prefix='Branche', dummy_na=False) self.logger.info(f"One-Hot Encoding fuer '{branche_col_internal}' durchgefuehrt. Neue Spaltenanzahl: {len(df_encoded.columns)}") # --- Finale Auswahl der Features fuer das Modell --- # Identifizieren Sie die Feature-Spalten nach dem Encoding. # Dies sind alle Spalten, die mit 'Branche_' beginnen (One-Hot), plus die konsolidierten numerischen. feature_columns = [col for col in df_encoded.columns if col.startswith('Branche_')] # Alle One-Hot Branch-Spalten # Fuegen Sie die konsolidierten numerischen Spalten hinzu. feature_columns.extend(['Finaler_Umsatz', 'Finaler_Mitarbeiter']) # Pruefen Sie, ob die konsolidierten numerischen Spalten ('Finaler_Umsatz', 'Finaler_Mitarbeiter') # tatsaechlich im DataFrame df_encoded vorhanden sind (sollten sie, wurden oben erstellt). if not all(col in df_encoded.columns for col in ['Finaler_Umsatz', 'Finaler_Mitarbeiter']): self.logger.critical("FEHLER: Konsolidierte numerische Spalten 'Finaler_Umsatz' oder 'Finaler_Mitarbeiter' fehlen im DataFrame nach Konsolidierung.") return None # Beende die Methode target_column = 'Techniker_Bucket' # Die Zielvariable # Erstellen Sie den finalen DataFrame nur mit Features und Target (und Identifikationsspalten). # Behalten Sie 'name' und 'Anzahl_Servicetechniker_Numeric' fuer Reporting/Debugging. # 'name' ist der interne Name nach Umbenennung (aus col_keys_mapping). identification_cols = ['name', 'Anzahl_Servicetechniker_Numeric'] # Sicherstellen, dass diese Identifikationsspalten auch im DataFrame existieren. if not all(col in df_encoded.columns for col in identification_cols): self.logger.critical(f"FEHLER: Identifikationsspalten {identification_cols} fehlen im DataFrame.") return None # Beende die Methode # Erstellen Sie die Liste der finalen Spalten fuer den DataFrame # Stellen Sie sicher, dass alle Feature-Spalten und die Zielspalte auch wirklich im DataFrame sind # (Koennte fehlen, wenn z.B. Finaler_Umsatz/Mitarbeiter oben fehlschlug und als NaN resultierte, was aber ok ist fuer Imputer). final_cols_for_df = identification_cols + feature_columns + [target_column] missing_final_cols = [col for col in final_cols_for_df if col not in df_encoded.columns] if missing_final_cols: self.logger.critical(f"FEHLER: Finale Spalten fuer Modellierung fehlen im DataFrame: {missing_final_cols}") return None # Beende die Methode # Erstellen Sie den finalen DataFrame mit den ausgewaehlten Spalten. df_model_ready = df_encoded[final_cols_for_df].copy() # Erstelle eine Kopie # Optional: Konvertieren Sie numerische Spalten explizit zu Float64. # Dies stellt sicher, dass der Imputer korrekt arbeitet. for col in ['Finaler_Umsatz', 'Finaler_Mitarbeiter', 'Anzahl_Servicetechniker_Numeric']: if col in df_model_ready.columns: # Sicherheitscheck, ob Spalte existiert # errors='coerce' wandelt Fehler bei der Konvertierung in NaN. Wichtig, da Imputer NaNs erwartet. df_model_ready[col] = pd.to_numeric(df_model_ready[col], errors='coerce') # Setzen Sie den Index des DataFrames zurueck, um eine saubere Verarbeitung in den naechsten Schritten # (z.B. Train/Test-Split) sicherzustellen. drop=True verhindert, dass der alte Index als neue Spalte hinzugefuegt wird. df_model_ready = df_model_ready.reset_index(drop=True) # Logge Informationen zum finalen DataFrame self.logger.info("Datenvorbereitung fuer Modellierung (Training) abgeschlossen.") self.logger.info(f"Finaler DataFrame fuer Modellierung hat {len(df_model_ready)} Zeilen und {len(df_model_ready.columns)} Spalten.") # Logge die Anzahl der Feature-Spalten, nicht die Liste selbst (kann sehr lang sein). self.logger.info(f"Anzahl Feature-Spalten: {len(feature_columns)}") self.logger.info(f"Ziel-Spalte: {target_column}") # WICHTIG: Info ueber fehlende Werte in den finalen numerischen Features VOR der Imputation. # Die Imputation selbst erfolgt im Trainingsschritt (train_technician_model Block 31). numeric_features_for_imputation = ['Finaler_Umsatz', 'Finaler_Mitarbeiter'] nan_counts = df_model_ready[numeric_features_for_imputation].isna().sum() self.logger.info(f"Fehlende Werte in numerischen Features vor Imputation:\n{nan_counts}") # Logge auch, wie viele Zeilen *mindestens* einen NaN in den numerischen Features haben. rows_with_nan = df_model_ready[numeric_features_for_imputation].isna().any(axis=1).sum() self.logger.info(f"Anzahl Zeilen mit mindestens einem fehlenden numerischen Feature (vor Imputation): {rows_with_nan}") return df_model_ready # Gebe den vorbereiteten DataFrame zurueck # Methode zum Trainieren des ML Modells # Nutzt interne Methode: prepare_data_for_modeling. # Nutzt globale Helfer: MODEL_FILE, IMPUTER_FILE, PATTERNS_FILE_JSON (Block 1), # logger, pickle, json, os, # train_test_split, SimpleImputer, DecisionTreeClassifier, # accuracy_score, classification_report, confusion_matrix, export_text (sklearn). def train_technician_model(self, model_out=MODEL_FILE, imputer_out=IMPUTER_FILE, patterns_out=PATTERNS_FILE_JSON): """ Trainiert ein Decision Tree Modell zur Schaetzung der Servicetechniker-Buckets. Speichert das Modell, den Imputer und die Feature-Spalten. Args: model_out (str): Dateipfad zum Speichern des trainierten Modells (.pkl). imputer_out (str): Dateipfad zum Speichern des trainierten Imputers (.pkl). patterns_out (str): Dateipfad zum Speichern der Feature-Spaltenliste (.json). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist self.logger.info("Starte Training des Servicetechniker Decision Tree Modells...") # 1. Daten vorbereiten (nutzt die interne Methode prepare_data_for_modeling denselben Block) df_model_ready = self.prepare_data_for_modeling() # Wenn die Datenvorbereitung fehlschlug oder keinen DataFrame zurueckgab if df_model_ready is None or df_model_ready.empty: self.logger.error("Datenvorbereitung fuer Modelltraining fehlgeschlagen oder keine Daten. Training abgebrochen.") return # Beende die Methode # Separate Features (X) und Target (y) # Identifikationsspalten und Zielspalte (muss konsistent mit prepare_data_for_modeling sein) identification_cols = ['name', 'Anzahl_Servicetechniker_Numeric'] target_column = 'Techniker_Bucket' # Feature Spalten sind alle Spalten im df_model_ready ausser den Identifikations- und der Zielspalte. feature_columns = [col for col in df_model_ready.columns if col not in identification_cols and col != target_column] # Stellen Sie sicher, dass es Feature-Spalten gibt (sollte durch prepare_data_for_modeling sichergestellt sein) if not feature_columns: self.logger.critical("FEHLER: Keine Feature-Spalten nach Datenvorbereitung gefunden. Training nicht moeglich.") return # Beende die Methode # Erstellen Sie die Feature-Matrix X und den Zielvektor y X = df_model_ready[feature_columns] y = df_model_ready[target_column] self.logger.info(f"Daten fuer Training vorbereitet. X Shape: {X.shape}, y Shape: {y.shape}") # Logge die ersten paar Features auf Debug-Level (kann sehr lang sein) # self.logger.debug(f"Feature Spalten fuer Training ({len(feature_columns)}): {feature_columns[:10]}...") # 2. Split in Training und Test Set # test_size (z.B. 0.25 für 25% Testdaten), random_state fuer Reproduzierbarkeit. # stratify=y ist wichtig bei Klassifikationsproblemen mit ungleichen Klassen, um die # Klassenverteilung in Trainings- und Testset aehnlich zu halten. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42, stratify=y) self.logger.info(f"Daten gesplittet. Train Set: {len(X_train)} Zeilen, Test Set: {len(X_test)} Zeilen.") # 3. Imputation (Fehlende Werte ersetzen) # Verwenden Sie SimpleImputer (z.B. Median), um NaN-Werte zu ersetzen. # Median ist robust gegenueber Ausreissern. Alternativ: 'mean' oder 'most_frequent'. imputer = SimpleImputer(strategy='median') self.logger.info(f"Fitte Imputer mit Strategie '{imputer.strategy}' auf Trainingsdaten...") # Fitten Sie den Imputer NUR auf den Trainingsdaten, um Data Leakage zu vermeiden. imputer.fit(X_train) # Fitten Sie den Imputer auf X_train # Speichern Sie den Imputer (wird fuer Vorhersagen benoetigt). self.imputer = imputer # Speichern Sie ihn in der Instanz fuer spaetere Vorhersagen try: # Stellen Sie sicher, dass das Verzeichnis fuer den Output existiert. os.makedirs(os.path.dirname(imputer_out), exist_ok=True) # Erstellt das Verzeichnis, falls es nicht existiert # Speichern Sie den Imputer mit pickle with open(imputer_out, 'wb') as f: pickle.dump(imputer, f) self.logger.info(f"Imputer erfolgreich gespeichert in '{imputer_out}'.") except Exception as e: # Fange Fehler beim Speichern ab und logge sie. self.logger.error(f"FEHLER beim Speichern des Imputers in '{imputer_out}': {e}") # Logge den Traceback. self.logger.debug(traceback.format_exc()) # Fahren Sie fort, aber loggen Sie den Fehler # Transformieren Sie Trainings- und Testdaten mit dem gefitteten Imputer. X_train_imputed = imputer.transform(X_train) X_test_imputed = imputer.transform(X_test) # Konvertieren Sie die Ergebnisse (Numpy Arrays) zurueck zu DataFrames, behalten Sie die Spaltennamen. X_train_imputed = pd.DataFrame(X_train_imputed, columns=feature_columns) X_test_imputed = pd.DataFrame(X_test_imputed, columns=feature_columns) self.logger.info("Numerische Features imputiert.") # 4. Decision Tree Training # Definieren Sie das Decision Tree Modell. # Wichtige Hyperparameter zum Tunen: max_depth, min_samples_split, min_samples_leaf. # class_weight='balanced' ist hilfreich bei ungleicher Klassenverteilung (wahrscheinlich bei Buckets). dt_classifier = DecisionTreeClassifier(random_state=42, class_weight='balanced') # Optional: Hyperparameter-Tuning mit GridSearchCV # param_grid = {'max_depth': [None, 10, 20, 30], 'min_samples_split': [2, 5, 10], 'min_samples_leaf': [1, 2, 5]} # grid_search = GridSearchCV(dt_classifier, param_grid, cv=5, scoring='accuracy') # grid_search.fit(X_train_imputed, y_train) # dt_classifier = grid_search.best_estimator_ # self.logger.info(f"Beste Parameter gefunden durch GridSearchCV: {grid_search.best_params_}") self.logger.info("Starte Training des Decision Tree Modells...") # Fitten Sie das Modell auf den imputierten Trainingsdaten. dt_classifier.fit(X_train_imputed, y_train) self.logger.info("Modelltraining abgeschlossen.") # Speichern Sie das trainierte Modell. self.model = dt_classifier # Speichern Sie es in der Instanz fuer spaetere Vorhersagen try: # Stellen Sie sicher, dass das Verzeichnis fuer den Output existiert. os.makedirs(os.path.dirname(model_out), exist_ok=True) # Erstellt das Verzeichnis, falls es nicht existiert # Speichern Sie das Modell mit pickle with open(model_out, 'wb') as f: pickle.dump(dt_classifier, f) self.logger.info(f"Decision Tree Modell erfolgreich gespeichert in '{model_out}'.") except Exception as e: # Fange Fehler beim Speichern ab und logge sie. self.logger.error(f"FEHLER beim Speichern des Modells in '{model_out}': {e}") # Logge den Traceback. self.logger.debug(traceback.format_exc()) # Fahren Sie fort # Speichern Sie die Liste der Feature-Spalten (fuer die Vorhersage) self._expected_features = feature_columns # Speichern Sie diese Liste in der Instanz fuer _predict_technician_bucket try: # Speichern als JSON fuer bessere Lesbarkeit und um zusaetzliche Infos (wie Klassen) zu speichern. # PATTERNS_FILE_JSON wird aus Config (Block 1) geholt. patterns_data = {"feature_columns": feature_columns, "target_classes": list(dt_classifier.classes_)} # Stellen Sie sicher, dass das Verzeichnis fuer den Output existiert. os.makedirs(os.path.dirname(patterns_out), exist_ok=True) # Erstellt das Verzeichnis, falls es nicht existiert # Speichern Sie die JSON-Datei with open(patterns_out, 'w', encoding='utf-8') as f: json.dump(patterns_data, f, indent=4, ensure_ascii=False) self.logger.info(f"Erwartete Feature-Spalten und Klassen erfolgreich gespeichert in '{patterns_out}'.") # Optional: Speichern als einfache Textdatei (wie im Originalcode) # patterns_out_txt = patterns_out.replace('.json', '.txt') # with open(patterns_out_txt, 'w', encoding='utf-8') as f: # for col in feature_columns: f.write(f"{col}\n") # self.logger.info(f"Erwartete Feature-Spalten (txt) erfolgreich gespeichert in '{patterns_out_txt}'.") except Exception as e: # Fange Fehler beim Speichern ab und logge sie. self.logger.error(f"FEHLER beim Speichern der Feature-Spalten in '{patterns_out}': {e}") # Logge den Traceback. self.logger.debug(traceback.format_exc()) # Fahren Sie fort # 5. Evaluation (Optional, aber empfohlen, um die Modellleistung zu bewerten) self.logger.info("Starte Modellevaluation...") # Vorhersagen auf dem Testset y_pred = dt_classifier.predict(X_test_imputed) # Metriken berechnen und loggen accuracy = accuracy_score(y_test, y_pred) self.logger.info(f"Modell Genauigkeit auf dem Testset: {accuracy:.4f}") # Klassifikationsbericht # zero_division='warn' ist Standard, '0' gibt 0 fuer nicht vorhandene Klassen, 'none' wirft Fehler. class_report = classification_report(y_test, y_pred, zero_division=0, labels=dt_classifier.classes_, target_names=[str(c) for c in dt_classifier.classes_]) # Stelle sicher, dass Labels und Target-Namen konsistent sind self.logger.info(f"Klassifikationsbericht auf dem Testset:\n{class_report}") # Konfusionsmatrix # display_labels=dt_classifier.classes_ sorgt fuer korrekte Beschriftung cm = confusion_matrix(y_test, y_pred, labels=dt_classifier.classes_) self.logger.info(f"Konfusionsmatrix auf dem Testset (Zeilen=Wahr, Spalten=Vorhersage):\n{cm}") # Entscheidungsregeln extrahieren (Optional, fuer Verstaendnis) try: # Beschraenken Sie die Tiefe fuer die Ausgabe, falls der Baum sehr tief ist # feature_names muessen der Reihenfolge in X_train_imputed entsprechen tree_rules = export_text(dt_classifier, feature_names=feature_columns, max_depth=7) # max_depth anpassen self.logger.info(f"Erste Regeln des Decision Tree (max Tiefe 7):\n{tree_rules}") except Exception as e: # Fange Fehler beim Exportieren der Regeln ab self.logger.warning(f"FEHLER beim Exportieren der Baumregeln: {e}") # Logge den Traceback. self.logger.debug(traceback.format_exc()) self.logger.info("Modelltraining und -evaluation abgeschlossen.") # ============================================================================== # Ende DataProcessor Klasse Utility: ML Prep & Training Block # ============================================================================== # ========================================================================== # === Utility Methods (Other Specific Tasks) =============================== # ========================================================================== # --- Methode fuer experimentelle Website Details --- # Diese Methode extrahiert Details von Websites fuer Zeilen mit 'x'. # Basierend auf process_website_details_for_marked_rows aus Teil 12. # Nutzt interne Helfer: _get_cell_value_safe, _get_col_letter. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, # scrape_website_details (Block 13). # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_website_details(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ EXPERIMENTELL: Extrahiert Website-Details fuer Zeilen, die in Spalte A mit 'x' markiert sind. Schreibt die Details in eine definierte Spalte (Website Details oder AR als Fallback). Loescht NICHT das 'x'-Flag. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (ab Zeile 7). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU VERARBEITENDER (nicht uebersprungener) Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge den Start des Modus auf Warning, da es experimentell ist. self.logger.warning(f"Starte Modus (EXPERIMENTELL): Website Detail Extraction fuer Zeilen mit 'x' in Spalte A. Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") self.logger.warning("Hinweis: Dieser Modus nutzt die globale Funktion 'scrape_website_details' (Block 13), deren Implementierung je nach Zielwebsites angepasst werden muss.") # --- Daten laden --- # Laden Sie Daten neu. Kein automatischer Startindex-Check noetig hier, # da wir explizit nach dem 'x'-Flag suchen. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("Fehler beim Laden der Daten fuer Website Details Extraction.") return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers(); # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows; total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Standard Startzeile, wenn nicht manuell gesetzt if start_sheet_row is None: start_sheet_row = header_rows + 1 # Standardmaessig ab erster Datenzeile (Zeile nach Headern) # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den Suchbereich fuer das 'x'-Flag self.logger.info(f"Suchbereich fuer 'x'-Flag: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # Pruefe, ob der Bereich gueltig ist if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") return # Beende die Methode, wenn der Bereich leer ist # --- Indizes und Buchstaben --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = ["ReEval Flag", "CRM Website"] # A, D # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer process_website_details: {missing}. Breche ab.") return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Indizes reeval_col_idx = col_indices["ReEval Flag"] # A website_col_idx = col_indices["CRM Website"] # D # Bestimme die ZIELSPALTE fuer die Details (Website Details ODER AR als Fallback) details_col_idx = COLUMN_MAP.get("Website Details") # Versuche zuerst die dedizierte Spalte (Block 1 Column Map) details_col_key_for_logging = "Website Details" # Name fuer Logging # Wenn die dedizierte Spalte nicht gefunden wurde if details_col_idx is None: # Fallback auf 'Website Rohtext' (AR) details_col_idx = COLUMN_MAP.get("Website Rohtext") # Block 1 Column Map details_col_key_for_logging = "Website Rohtext" # Pruefen Sie, ob der Fallback-Schluessel gefunden wurde if details_col_idx is None: self.logger.critical("FEHLER: Weder 'Website Details' noch 'Website Rohtext' Spaltenindex in COLUMN_MAP gefunden.") return # Beende die Methode bei kritischem Fehler self.logger.warning(f"Keine Spalte 'Website Details' in COLUMN_MAP, nutze '{details_col_key_for_logging}' ({self.sheet_handler._get_col_letter(details_col_idx+1)}) als Fallback.") # Logge Warnung (Block 14 _get_col_letter) else: # Logge die Verwendung der dedizierten Spalte self.logger.info(f"Nutze Spalte '{details_col_key_for_logging}' ({self.sheet_handler._get_col_letter(details_col_idx+1)}) fuer Website Details.") # Logge Info (Block 14 _get_col_letter) # Ermitteln Sie den Spaltenbuchstaben der Zielspalte (nutzt interne Helfer _get_col_letter Block 14) details_col_letter = self.sheet_handler._get_col_letter(details_col_idx + 1) # --- Verarbeitung --- # Holen Sie die Batch-Groesse fuer Sheet-Updates aus Config (Block 1). update_batch_row_limit = getattr(Config, 'UPDATE_BATCH_ROW_LIMIT', 50) all_sheet_updates = [] # Gesammelte Updates fuer Batch-Schreiben ins Sheet (Liste von Dicts) processed_count = 0 # Zaehlt Zeilen, die fuer die Verarbeitung in Frage kommen und in den Batch aufgenommen werden (im Rahmen des Limits). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen wurden (nicht markiert oder fehlende URL). # Iteriere durch die Datenzeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Zeile ist mit 'x' in Spalte A (ReEval Flag) markiert. # UND Website URL (D) ist vorhanden und gueltig aussehend. # Holen Sie den Wert aus Spalte A (ReEval Flag) (nutzt interne Helfer _get_cell_value_safe) cell_a_value = self._get_cell_value_safe(row, "ReEval Flag").strip().lower() # Block 1 Column Map # Pruefen Sie, ob die Zelle mit 'x' markiert ist. is_marked_for_processing = cell_a_value == "x" # Wenn die Zeile nicht mit 'x' markiert ist, ueberspringen if not is_marked_for_processing: skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # Holen Sie den Wert aus Spalte D (CRM Website) (nutzt interne Helfer _get_cell_value_safe) website_url = self._get_cell_value_safe(row, "CRM Website").strip() # Block 1 Column Map # Pruefen Sie, ob die Website URL (D) vorhanden und gueltig aussehend ist. website_url_is_valid_looking = website_url and isinstance(website_url, str) and website_url.lower() not in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"] # Fuege "http:" hinzu basierend auf Log # Verarbeitung ist noetig, wenn die Zeile mit 'x' markiert ist UND die Website URL gueltig ist. processing_needed_for_row = is_marked_for_processing and website_url_is_valid_looking # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: company_name = self._get_cell_value_safe(row, "CRM Name").strip() # Block 1 Column Map self.logger.debug(f"Zeile {i} ({company_name[:50]}... Website Details Check): A='x'? {is_marked_for_processing}, D gueltig? {website_url_is_valid_looking}. Benoetigt Verarbeitung? {processing_needed_for_row}") # Gekuerzt loggen # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist (trotz 'x' fehlte die URL) if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile # Optionale Behandlung: Wenn mit 'x' markiert, aber URL fehlt, was tun? # Derzeit wird sie uebersprungen. Ggf. Fehler in Spalte notieren? continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Fuehre Details-Extraktion aus --- processed_count += 1 # Zaehle die Zeile, die fuer die Verarbeitung in Frage kommt (im Rahmen des Limits zaehlen) # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer process_website_details erreicht. Breche weitere Zeilenpruefung ab.") break # Brich die Schleife ab self.logger.info(f"Zeile {i}: Extrahiere Website Details von {website_url[:100]}...") # Logge Start (gekuerzt) details = "FEHLER: Funktion 'scrape_website_details' nicht verfuegbar" # Default Fehler, falls die Funktion nicht existiert (Sollte nicht passieren, wenn Block 13 korrekt ist) try: # Rufe die globale Funktion scrape_website_details auf (Block 13). # scrape_website_details ist mit retry_on_failure dekoriert (Block 2). # Wenn scrape_website_details fehlschlaegt, wirft sie eine Exception oder gibt einen Fehlerwert zurueck. details = scrape_website_details(website_url) # <<< Ruft globale Funktion (Block 13) # Wenn die Funktion einen Fehler geloggt hat und einen Fehlerstring im Ergebnis zurueckgibt, # wird dies in der 'details' Variable gespeichert. if isinstance(details, str) and (details.startswith("k.A. (Fehler") or details.startswith("FEHLER:")): # Fehler wurde bereits in scrape_website_details geloggt. pass # Details enthaelt bereits den Fehlerstring. elif not isinstance(details, str) or not details.strip(): # Wenn die Funktion keinen String oder einen leeren String zurueckgibt. details = "k.A. (Extraktion leer oder ungueltig)" # Standard-Fehlerwert except NameError: # Dieser Fehler sollte nicht auftreten, wenn scrape_website_details in Block 13 ist. self.logger.critical("FEHLER: Funktion 'scrape_website_details' ist nicht definiert! Kann Details nicht extrahieren.") # Logge den Traceback. self.logger.debug(traceback.format_exc()) details = "FEHLER: Funktion nicht definiert" # Setze spezifischen Fehlerwert except Exception as e_detail: # Fange andere unerwartete Fehler ab, die nicht von scrape_website_details behandelt wurden. self.logger.exception(f"Unerwarteter Fehler bei scrape_website_details fuer {website_url[:100]}...: {type(e_detail).__name__} - {e_detail}") # Logge Fehler (gekuerzt) und Traceback details = f"k.A. (Unerwarteter Fehler: {str(e_detail)[:100]}...)" # Signalisiert Fehler (gekuerzt) # Fuege Update fuer die Details-Spalte hinzu (nutzt interne Helfer _get_col_letter Block 14) # Stellen Sie sicher, dass der Wert ein String ist. updates_for_row = [] # Lokale Liste fuer Updates dieser Zeile updates_for_row.append({'range': f'{details_col_letter}{i}', 'values': [[str(details)]]}) # Block 1 Column Map self.logger.debug(f"Zeile {i}: Details extrahiert und zum Update fuer Spalte {details_col_key_for_logging} ({details_col_letter}{i}) hinzugefuegt.") # Gekuerzt loggen # Sammle die Updates fuer diese Zeile in der globalen Liste all_sheet_updates. all_sheet_updates.extend(updates_for_row) # Sende gesammelte Sheet Updates wenn das Update-Batch-Limit erreicht ist. # update_batch_row_limit wird aus Config geholt (Block 1). # Updates pro Zeile ist 1 in diesem Modus. Anzahl der Zeilen = len(all_sheet_updates). if len(all_sheet_updates) >= update_batch_row_limit: self.logger.debug(f" Sende gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. # Wenn es fehlschlaegt, wird es intern geloggt. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f" Sheet-Update fuer {len(all_sheet_updates)} Zellen erfolgreich.") # Der Fehlerfall wird von batch_update_cells geloggt # Leere die gesammelten Updates nach dem Senden. all_sheet_updates = [] # Kleine Pause nach jeder Extraktion (nutzt Config Block 1). # Dieser Modus macht API calls (ueber scrape_website_details und dessen Helfer), also Pause einbauen. pause_duration = getattr(Config, 'RETRY_DELAY', 5) * 0.2 #self.logger.debug(f"Warte {pause_duration:.2f}s nach Extraktion...") # Zu viel Laerm im Debug time.sleep(pause_duration) # --- Finale Sheet Updates senden --- # Sende alle verbleibenden gesammelten Updates in einem letzten Batch-Update. if all_sheet_updates: self.logger.info(f"Sende FINALE gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f"FINALES Sheet-Update erfolgreich.") # Der Fehlerfall wird von batch_update_cells geloggt # Logge den Abschluss des Modus self.logger.info(f"Modus 'website_details' abgeschlossen. {processed_count} Zeilen verarbeitet (in Batch aufgenommen), {skipped_count} Zeilen uebersprungen.") # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # --- Methode zum Verarbeiten von Wiki-Updates basierend auf ChatGPT Vorschlaegen --- # Diese Methode verarbeitet Zeilen, in denen S gesetzt ist (nicht in Endzustand), # prueft ob U eine valide und andere Wiki-URL ist und fuehrt entsprechende Updates durch. # Basierend auf process_wiki_updates_from_chatgpt aus Teil 4. # Nutzt interne Helfer: _get_cell_value_safe, _get_col_letter. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger, Config (Block 1), time, # is_valid_wikipedia_article_url (Block 12). # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_wiki_updates_from_chatgpt(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ Identifiziert Zeilen, in denen Status S gesetzt ist, aber NICHT auf einem Endzustand (OK, X (UPDATED/COPIED/INVALID)), prueft ob U eine *valide* und *andere* Wiki-URL ist. - Wenn ja: Kopiert U->M, markiert S='X (URL Copied)', U='URL uebernommen', loescht abhaengige Wiki-Spalten (N-V, AN, AO, AP, AX), setzt ReEval-Flag A='x'. - Wenn nein (U keine URL, U==M, oder U ungueltig): LOESCHT den Inhalt von U und markiert S als 'X (Invalid Suggestion)'. Verarbeitet maximal limit Zeilen. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (ab Zeile 7). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU PRUEFENDER Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Modus self.logger.info(f"Starte Modus 'wiki_updates_from_chatgpt' (S, U, M, N-V, AN, AO, AX, AP, A). Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # --- Daten laden --- # Laden Sie Daten neu. Kein automatischer Startindex-Check noetig hier, # da wir nach Status S suchen. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("Fehler beim Laden der Daten fuer Wiki Updates.") return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers() # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Standard Startzeile, wenn nicht manuell gesetzt if start_sheet_row is None: start_sheet_row = header_rows + 1 # Standardmaessig ab erster Datenzeile (Zeile nach Headern) # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den Suchbereich fuer Status S self.logger.info(f"Suchbereich fuer Status S: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # Pruefe, ob der Bereich gueltig ist if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") return # Beende die Methode, wenn der Bereich leer ist # --- Indizes und Buchstaben --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = [ "Chat Wiki Konsistenzpruefung", "Chat Vorschlag Wiki Artikel", "Wiki URL", # S, U, M (Pruefkriterien / Daten) "Wikipedia Timestamp", "Wiki Verif. Timestamp", "Timestamp letzte Pruefung", "Version", # AN, AX, AO, AP (Spalten zum Loeschen) "ReEval Flag", # A (ReEval Flag setzen) "Wiki Absatz", "Wiki Branche", "Wiki Umsatz", "Wiki Mitarbeiter", "Wiki Kategorien", # N-R (Spalten zum Loeschen) "Chat Begruendung Wiki Inkonsistenz", "Begruendung bei Abweichung", # T, V (Spalten zum Loeschen) # AY (SerpAPI Wiki Search Timestamp) wird ebenfalls geleert, da abhaengig von M. "SerpAPI Wiki Search Timestamp" # AY (Spalte zum Leeren) ] # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer process_wiki_updates_from_chatgpt: {missing}. Breche ab.") return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Spaltenbuchstaben fuer Updates/Leerung (nutzt interne Helfer _get_col_letter Block 14) s_letter = self.sheet_handler._get_col_letter(col_indices["Chat Wiki Konsistenzpruefung"] + 1) # Status S u_letter = self.sheet_handler._get_col_letter(col_indices["Chat Vorschlag Wiki Artikel"] + 1) # Vorschlag U m_letter = self.sheet_handler._get_col_letter(col_indices["Wiki URL"] + 1) # Wiki URL M a_letter = self.sheet_handler._get_col_letter(col_indices["ReEval Flag"] + 1) # ReEval Flag A # Spalten N-V leeren. # N ist Wiki Absatz, V ist Begruendung bei Abweichung. n_idx = col_indices["Wiki Absatz"] v_idx = col_indices["Begruendung bei Abweichung"] # Erstellen Sie den Bereichsnamen (z.B. "N:V") n_letter = self.sheet_handler._get_col_letter(n_idx + 1) v_letter = self.sheet_handler._get_col_letter(v_idx + 1) nv_range_letter = f'{n_letter}:{v_letter}' # z.B. N:V # Erstellen Sie eine Liste von leeren Strings fuer diesen Bereich empty_nv_values = [''] * (v_idx - n_idx + 1) # Anzahl der Spalten = V_Index - N_Index + 1 # Timestamps AN, AO, AP, AX, AY leeren. # Diese werden von anderen Schritten gesetzt und sollen hier zurueckgesetzt werden. an_letter = self.sheet_handler._get_col_letter(col_indices["Wikipedia Timestamp"] + 1) # AN (Wiki Extraction TS) ao_letter = self.sheet_handler._get_col_letter(col_indices["Timestamp letzte Pruefung"] + 1) # AO (Chat Evaluation TS) ap_letter = self.sheet_handler._get_col_letter(col_indices["Version"] + 1) # AP (Version) ax_letter = self.sheet_handler._get_col_letter(col_indices["Wiki Verif. Timestamp"] + 1) # AX (Wiki Verif. TS) ay_letter = self.sheet_handler._get_col_letter(col_indices["SerpAPI Wiki Search Timestamp"] + 1) # AY (SerpAPI Wiki TS) # --- Verarbeitung --- # Holen Sie die Batch-Groesse fuer Sheet-Updates aus Config (Block 1). update_batch_row_limit = getattr(Config, 'UPDATE_BATCH_ROW_LIMIT', 50) all_sheet_updates = [] # Gesammelte Updates fuer Batch-Schreiben ins Sheet (Liste von Dicts) processed_rows_count = 0 # Zaehlt Zeilen, die geprueft werden (im Rahmen des Limits zaehlen). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen werden (Status S im Endzustand etc.). updated_url_count = 0 # Zaehlt Zeilen, wo U -> M kopiert wurde. cleared_suggestion_count = 0 # Zaehlt Zeilen, wo Vorschlag U geloescht wurde. # Iteriere durch die Datenzeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Status S ist gesetzt (nicht leer) UND NICHT einer der Endzustaende. # Endzustaende: "OK", "X (UPDATED)", "X (URL COPIED)", "X (INVALID SUGGESTION)" # Holen Sie den Wert aus Spalte S (Chat Wiki Konsistenzpruefung) (nutzt interne Helfer _get_cell_value_safe) s_value = self._get_cell_value_safe(row, "Chat Wiki Konsistenzpruefung").strip() # Block 1 Column Map s_value_upper = s_value.upper() # Definieren Sie die Endzustaende (Grossbuchstaben) s_end_states = ["OK", "X (UPDATED)", "X (URL COPIED)", "X (INVALID SUGGESTION)"] # Verarbeitung ist noetig, wenn S nicht leer ist UND S NICHT im Endzustand ist. processing_needed_for_row = s_value and s_value_upper not in s_end_states # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: self.logger.debug(f"Zeile {i} (Wiki Update Check): Status S='{s_value}'. Benoetigt Verarbeitung? {processing_needed_for_row}") # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Pruefe Vorschlag U und handle --- processed_rows_count += 1 # Zaehle die Zeile, die geprueft wird (im Rahmen des Limits zaehlen). # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_rows_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer process_wiki_updates_from_chatgpt erreicht. Breche weitere Zeilenpruefung ab.") break # Brich die Schleife ab # Holen Sie die Werte aus Spalte U (Chat Vorschlag Wiki Artikel) und M (Wiki URL) (nutzt interne Helfer _get_cell_value_safe) vorschlag_u = self._get_cell_value_safe(row, "Chat Vorschlag Wiki Artikel").strip() # Block 1 Column Map url_m = self._get_cell_value_safe(row, "Wiki URL").strip() # Block 1 Column Map self.logger.info(f"Zeile {i}: Pruefe Wiki-Vorschlag U='{vorschlag_u[:100]}...' (aktuell M='{url_m[:100]}...')...") # Gekuerzt loggen is_update_candidate = False # Flag, ob U eine gueltige, neue URL ist, die uebernommen werden soll. new_url = "" # Die URL, die ggf. in M kopiert wird. # Kriterium 1: Ist Vorschlag U ueberhaupt ein String und sieht nach Wikipedia aus? condition1_u_is_wiki_url = vorschlag_u and isinstance(vorschlag_u, str) and "wikipedia.org/wiki/" in vorschlag_u.lower() and vorschlag_u.lower().startswith(("http://", "https://")) # Check auf Schema hinzugefuegt # Wenn der Vorschlag U wie eine Wikipedia-URL aussieht if condition1_u_is_wiki_url: new_url = vorschlag_u # Nehme den Vorschlag als potenzielle neue URL # Kriterium 2: Unterscheidet sich der Vorschlag U von der aktuellen URL in M? # Pruefe, ob die neue URL nicht identisch mit der aktuellen M-URL ist. condition2_u_differs_m = new_url != url_m # Wenn sich der Vorschlag U von der aktuellen M-URL unterscheidet if condition2_u_differs_m: self.logger.debug(f" -> Vorschlag U ({new_url[:100]}...) unterscheidet sich von M ({url_m[:100]}). Pruefe Validitaet...") # Gekuerzt loggen # Kriterium 3: Ist die vorgeschlagene URL ein valider Wikipedia-Artikel (nicht Weiterleitung, Begriffsklaerung, Fehler)? # Nutzt globale Funktion is_valid_wikipedia_article_url (Block 12) mit Retry Decorator (Block 2). # is_valid_wikipedia_article_url wirft Exception bei endgueltigem Fehler. try: condition3_u_is_valid = is_valid_wikipedia_article_url(new_url) # Nutzt globalen Helfer (Block 12) # Wenn die vorgeschlagene URL ein valider Artikel ist if condition3_u_is_valid: is_update_candidate = True # Alle Kriterien erfuellt! Der Vorschlag kann uebernommen werden. self.logger.debug(f" -> URL '{new_url[:100]}...' ist ein VALIDER Artikel laut API Check.") # Gekuerzt loggen else: # Wenn die vorgeschlagene URL nicht valide ist self.logger.debug(f" -> URL '{new_url[:100]}...' ist KEIN valider Artikel laut API Check.") # Gekuerzt loggen except Exception as e_validity_check: # Wenn is_valid_wikipedia_article_url eine Exception wirft (nach Retries) # Der Fehler wird bereits vom retry_on_failure Decorator geloggt. self.logger.error(f"FEHLER bei Validitaetspruefung von Vorschlag U '{new_url[:100]}...': {e_validity_check}") # Gekuerzt loggen # Bei Fehler bleibt is_update_candidate False. pass # Faert fort else: # Wenn der Vorschlag U identisch mit der aktuellen M-URL ist self.logger.debug(f" -> Vorschlag U ist identisch mit URL M. Wird nicht uebernommen.") else: # Wenn der Vorschlag U nicht wie eine Wikipedia-URL aussieht self.logger.debug(f" -> Vorschlag U ('{vorschlag_u[:100]}...') ist keine Wikipedia URL. Wird nicht uebernommen.") # Gekuerzt loggen # --- Verarbeitung des Kandidaten ODER Loeschen des ungueltigen Vorschlags --- updates_for_row = [] # Lokale Liste fuer Updates DIESER Zeile if is_update_candidate: # Fall 1: Gueltiges Update durchfuehren (Vorschlag U wird in M kopiert) self.logger.info(f"Zeile {i}: Update-Kandidat VALIDIERUNG ERFOLGREICH. Kopiere U->M, setze ReEval-Flag 'x', loesche abhaengige Spalten.") updated_url_count += 1 # Zaehle die uebernommene URL # Updates sammeln (M, S, U, N-V, AN, AO, AP, AX, AY, A) (nutzt interne Helfer _get_col_letter Block 14) updates_for_row.append({'range': f'{m_letter}{i}', 'values': [[new_url]]}) # Setze die neue URL in Spalte M (Block 1 Column Map) updates_for_row.append({'range': f'{s_letter}{i}', 'values': [["X (URL Copied)"]]}) # Setze Status S auf "X (URL Copied)" (Block 1 Column Map) updates_for_row.append({'range': f'{u_letter}{i}', 'values': [["URL uebernommen"]]}) # Schreibe Info in Spalte U (Block 1 Column Map) updates_for_row.append({'range': f'{a_letter}{i}', 'values': [["x"]]}) # Setze ReEval Flag (A) auf 'x' (Block 1 Column Map) # Leere Spalten N-V. # Fuege das Update zum Leeren des Bereichs V-Y hinzu, falls der Bereichsname ermittelt werden konnte. if nv_range_letter: # Pruefe, ob der Bereichsname ermittelt werden konnte. updates_for_row.append({'range': f'{n_letter}{i}:{v_letter}{i}', 'values': [empty_nv_values]}) # Block 1 Column Map, lokale Variable else: self.logger.warning(f"Konnte Spaltenbereich N-V ({n_letter}:{v_letter}) fuer Leerung nicht ermitteln fuer Zeile {i}. Leerung uebersprungen.") # Leere Timestamps AN, AO, AP, AX, AY. # Dies setzt die Zeile zurueck, damit andere Schritte sie spaeter bearbeiten. updates_for_row.append({'range': f'{an_letter}{i}', 'values': [['']]}) # AN (Wiki Extraction TS) Block 1 Column Map updates_for_row.append({'range': f'{ao_letter}{i}', 'values': [['']]}) # AO (Chat Evaluation TS) Block 1 Column Map updates_for_row.append({'range': f'{ap_letter}{i}', 'values': [['']]}) # AP (Version) Block 1 Column Map updates_for_row.append({'range': f'{ax_letter}{i}', 'values': [['']]}) # AX (Wiki Verif. TS) Block 1 Column Map updates_for_row.append({'range': f'{ay_letter}{i}', 'values': [['']]}) # AY (SerpAPI Wiki TS) Block 1 Column Map else: # Fall 2: Ungueltigen Vorschlag loeschen/markieren # Wenn der Vorschlag U nicht uebernommen wird (weil ungueltig oder identisch mit M). self.logger.info(f"Zeile {i}: Vorschlag U ('{vorschlag_u[:100]}...') ist ungueltig/identisch. Loesche U und setze Status S auf 'X (Invalid Suggestion)'.") # Gekuerzt loggen cleared_suggestion_count += 1 # Zaehle den bereinigten Vorschlag # Updates sammeln (S, U) (nutzt interne Helfer _get_col_letter Block 14) updates_for_row.append({'range': f'{s_letter}{i}', 'values': [["X (Invalid Suggestion)"]]}) # Setze Status S auf "X (Invalid Suggestion)" (Block 1 Column Map) updates_for_row.append({'range': f'{u_letter}{i}', 'values': [[""]]}) # Loesche den Vorschlag in Spalte U (Block 1 Column Map) # KEIN ReEval-Flag (A) setzen in diesem Fall. # Sammle die Updates fuer diese Zeile in der globalen Liste all_sheet_updates. all_sheet_updates.extend(updates_for_row) # Sende gesammelte Sheet Updates wenn das Update-Batch-Limit erreicht ist. # update_batch_row_limit wird aus Config geholt (Block 1). # Die Anzahl der Updates pro Zeile variiert stark (ca. 2 bei ungueltigem Vorschlag, ca. 10+ bei gueltigem). # Pruefen Sie einfach die Laenge der gesammelten Liste. if len(all_sheet_updates) >= update_batch_row_limit * 5: # Grobe Schaetzung: im Schnitt 5 Updates pro Zeile self.logger.debug(f" Sende gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. # Wenn es fehlschlaegt, wird es intern geloggt. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f" Sheet-Update fuer {len(all_sheet_updates)} Zellen erfolgreich.") # Der Fehlerfall wird von batch_update_cells geloggt # Leere die gesammelten Updates nach dem Senden. all_sheet_updates = [] # Kleine Pause nach jeder geprueften Zeile (nutzt Config Block 1). # Dieser Modus macht API calls (ueber is_valid_wikipedia_article_url), also Pause einbauen. pause_duration = getattr(Config, 'RETRY_DELAY', 5) * 0.2 #self.logger.debug(f"Warte {pause_duration:.2f}s nach Pruefung...") # Zu viel Laerm im Debug time.sleep(pause_duration) # --- Finale Sheet Updates senden --- # Sende alle verbleibenden gesammelten Updates in einem letzten Batch-Update. if all_sheet_updates: self.logger.info(f"Sende FINALE gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") # Nutzt die batch_update_cells Methode des Sheet Handlers (Block 14) mit Retry. success = self.sheet_handler.batch_update_cells(all_sheet_updates) if success: self.logger.info(f"FINALES Sheet-Update erfolgreich.") # Der Fehlerfall wird von batch_update_cells geloggt # Logge den Abschluss des Modus self.logger.info(f"Modus 'wiki_updates_from_chatgpt' abgeschlossen. {processed_rows_count} Zeilen geprueft, {updated_url_count} URLs kopiert & fuer ReEval markiert, {cleared_suggestion_count} ungueltige Vorschlaege geloescht/markiert, {skipped_count} Zeilen uebersprungen.") # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # --- Methode zur Re-Extraktion von Wiki-Daten bei fehlendem Timestamp AN --- # Diese Methode identifiziert Zeilen mit M gefuellt und AN leer und fuehrt _process_single_row (Block 19) fuer diese aus. # Nutzt interne Helfer: _get_cell_value_safe, _process_single_row. # Nutzt globale Helfer: COLUMN_MAP (Block 1), logger. # Nutzt die uebergeordnete sheet_handler Instanz (Block 14). def process_wiki_reextract_missing_an(self, start_sheet_row=None, end_sheet_row=None, limit=None): """ Identifiziert Zeilen, bei denen eine Wiki URL (M) vorhanden ist, aber der Wikipedia Timestamp (AN) fehlt. Fuehrt _process_single_row fuer diese Zeilen aus, beschraenkt auf den 'wiki'-Schritt und mit force_reeval=True, um die Extraktion erneut zu versuchen. Args: start_sheet_row (int, optional): Die 1-basierte Startzeile im Sheet. Defaults to None (automatische Ermittlung basierend auf leeren AN). end_sheet_row (int, optional): Die 1-basierte Endzeile im Sheet. Defaults to None (bis Ende Sheet). limit (int, optional): Maximale Anzahl ZU VERARBEITENDER Zeilen. Defaults to None (Unbegrenzt). """ # Verwenden Sie logger, da das Logging jetzt konfiguriert ist # Logge die Konfiguration des Modus self.logger.info(f"Starte Modus 'wiki_reextract_missing_an' (M gefuellt & AN leer). Bereich: {start_sheet_row if start_sheet_row is not None else 'Start'}-{end_sheet_row if end_sheet_row is not None else 'Ende'}, Limit: {limit if limit is not None else 'Unbegrenzt'}...") # --- Daten laden und Startzeile ermitteln --- # Automatische Ermittlung der Startzeile, wenn nicht manuell gesetzt. # Dieser Modus sucht nach leeren AN mit gefuelltem M. Die automatische Startzeile # basierend auf leeren AN ist ein guter Startpunkt. if start_sheet_row is None: self.logger.info("Automatische Ermittlung der Startzeile basierend auf leeren AN...") # Nutzt get_start_row_index des Sheet Handlers (Block 14). Prueft auf leeren AN (Block 1 Column Map). # Standardmaessig ab Zeile 7 start_data_index_no_header = self.sheet_handler.get_start_row_index(check_column_key="Wikipedia Timestamp", min_sheet_row=7) # Wenn get_start_row_index -1 zurueckgibt (Fehler) if start_data_index_no_header == -1: self.logger.error("FEHLER bei automatischer Ermittlung der Startzeile. Breche Modus ab.") return # Beende die Methode # Berechne die 1-basierte Sheet-Startzeile aus dem 0-basierten Daten-Index start_sheet_row = start_data_index_no_header + self.sheet_handler._header_rows + 1 # Block 14 SheetHandler Attribut self.logger.info(f"Automatisch ermittelte Startzeile (erste leere AN Zelle): {start_sheet_row}") else: # Wenn start_sheet_row manuell gesetzt wurde, laden Sie die Daten trotzdem neu, um aktuell zu sein. # Der load_data Aufruf ist mit retry_on_failure dekoriert (Block 2). if not self.sheet_handler.load_data(): self.logger.error("Fehler beim Laden der Daten fuer wiki_reextract_missing_an.") return # Beende die Methode, wenn das Laden fehlschlaegt # Holen Sie die gesamte Datenliste (inklusive Header) aus dem SheetHandler. all_data = self.sheet_handler.get_all_data_with_headers(); # Annahme: header_rows ist als Attribut im SheetHandler verfuegbar (Block 14). header_rows = self.sheet_handler._header_rows; total_sheet_rows = len(all_data) # Gesamtzahl der Zeilen im Sheet # Berechne Endzeile, wenn nicht manuell gesetzt if end_sheet_row is None: end_sheet_row = total_sheet_rows # Bis zur letzten Zeile # Logge den verarbeitungsbereich self.logger.info(f"Suchbereich fuer M gefuellt & AN leer: Sheet-Zeilen {start_sheet_row} bis {end_sheet_row}. Gesamtzeilen im Sheet: {total_sheet_rows}") # Pruefe, ob der Bereich gueltig ist (Start <= Ende und Start nicht ueber Gesamtzeilen) if start_sheet_row > end_sheet_row or start_sheet_row > total_sheet_rows: self.logger.info("Berechneter Start liegt nach dem Ende des Bereichs oder Sheets. Keine Zeilen zu verarbeiten.") return # Beende die Methode, wenn der Bereich leer ist # --- Indizes --- # Stellen Sie sicher, dass alle benoetigten Spalten in COLUMN_MAP (Block 1) vorhanden sind required_keys = ["Wiki URL", "Wikipedia Timestamp"] # M, AN (Pruefkriterien) # Erstellen Sie ein Dictionary mit Schluesseln und Indizes col_indices = {key: COLUMN_MAP.get(key) for key in required_keys} # Pruefen Sie, ob alle benoetigten Schluessel in COLUMN_MAP gefunden wurden if None in col_indices.values(): missing = [k for k, v in col_indices.items() if v is None] self.logger.critical(f"FEHLER: Benoetigte Spaltenschluessel fehlen in COLUMN_MAP fuer wiki_reextract_missing_an: {missing}. Breche ab.") return # Beende die Methode bei kritischem Fehler # Ermitteln Sie die Indizes m_col_idx = col_indices["Wiki URL"] an_col_idx = col_indices["Wikipedia Timestamp"] # --- Verarbeitung --- processed_count = 0 # Zaehlt Zeilen, die an _process_single_row uebergeben wurden (im Rahmen des Limits zaehlen). skipped_count = 0 # Zaehlt Zeilen, die uebersprungen wurden. # Iteriere durch die Datenzeilen im definierten Bereich (1-basierte Sheet-Zeilennummer) for i in range(start_sheet_row, end_sheet_row + 1): row_index_in_list = i - 1 # 0-basierter Index in der all_data Liste # Pruefen Sie, ob das Ende des Sheets erreicht wurde if row_index_in_list >= total_sheet_rows: break # Ende des Sheets erreicht row = all_data[row_index_in_list] # Die Rohdaten fuer diese Zeile # Stellen Sie sicher, dass die Zeile nicht leer ist if not any(cell and isinstance(cell, str) and cell.strip() for cell in row): #self.logger.debug(f"Zeile {i}: Uebersprungen (Leere Zeile).") # Zu viel Laerm im Debug skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Pruefung, ob Verarbeitung fuer diese Zeile noetig ist --- # Kriterium: Wiki URL (M) ist vorhanden und gueltig aussehend. # UND Wikipedia Timestamp (AN) ist leer. # Holen Sie die Werte aus den entsprechenden Spalten (nutzt interne Helfer _get_cell_value_safe) m_value = self._get_cell_value_safe(row, "Wiki URL").strip() # Block 1 Column Map an_value = self._get_cell_value_safe(row, "Wikipedia Timestamp").strip() # Block 1 Column Map # Pruefen Sie, ob M gefuellt und gueltig aussieht. is_m_valid_looking = m_value and isinstance(m_value, str) and "wikipedia.org/wiki/" in m_value.lower() and m_value.lower() not in ["k.a.", "kein artikel gefunden", "fehler bei suche", "http:"] # Fuege "http:" hinzu basierend auf Log # Pruefen Sie, ob AN leer ist. is_an_empty = not an_value # Verarbeitung ist noetig, wenn M gueltig aussieht UND AN leer ist. processing_needed_for_row = is_m_valid_looking and is_an_empty # Loggen der Pruefergebnisse fuer diese Zeile auf Debug-Level log_check = (i < start_sheet_row + 5) or (i % 100 == 0) or (processing_needed_for_row) if log_check: company_name = self._get_cell_value_safe(row, "CRM Name").strip() # Block 1 Column Map self.logger.debug(f"Zeile {i} ({company_name[:50]}... Wiki Re-extract Check): M ('{m_value[:50]}...') gueltig? {is_m_valid_looking}, AN leer? {is_an_empty}. Benoetigt Verarbeitung? {processing_needed_for_row}") # Gekuerzt loggen # Wenn die Verarbeitung fuer diese Zeile nicht noetig ist if not processing_needed_for_row: skipped_count += 1 # Zaehlen als uebersprungene Zeile continue # Springe zur naechsten Zeile # --- Wenn Verarbeitung noetig: Rufe _process_single_row auf --- processed_count += 1 # Zaehle die Zeile, die an _process_single_row uebergeben wird (im Rahmen des Limits zaehlen) # Pruefe das Limit fuer verarbeitete Zeilen if limit is not None and isinstance(limit, int) and limit > 0 and processed_count > limit: # Wenn das Limit erreicht ist und es ein positives Limit gibt self.logger.info(f"Verarbeitungslimit ({limit}) fuer wiki_reextract_missing_an erreicht. Breche weitere Zeilenpruefung ab.") break # Brich die Schleife ab self.logger.info(f"Zeile {i}: M gefuellt & AN leer. Versuche Wiki-Re-Extraktion ueber _process_single_row...") try: # RUFE _process_single_row AUF (Block 19). # Mit steps_to_run={'wiki'} und force_reeval=True, # damit nur der Wiki-Schritt ausgefuehrt wird und Timestamps ignoriert werden. # Im Re-Extract Modus loeschen wir das 'x'-Flag NICHT automatisch. self._process_single_row( row_num_in_sheet = i, row_data = row, # Uebergibt die aktuellen Rohdaten der Zeile steps_to_run = {'wiki'}, # <<< NUR der Wiki-Schritt soll laufen force_reeval = True, # <<< Erzwingt die Ausfuehrung des 'wiki' Schritts (ignoriert AN, S). clear_x_flag = False # <<< 'x'-Flag wird in diesem Modus NICHT geloescht ) # _process_single_row (Block 19) loggt intern den Abschluss und fuehrt das Sheet-Update durch. except Exception as e_proc: # Wenn _process_single_row einen Fehler wirft (nachdem interne Retries aufgaben), # fangen wir ihn hier, loggen ihn und fahren mit der naechsten Zeile fort. self.logger.exception(f"FEHLER bei Verarbeitung von Zeile {i} in wiki_reextract_missing_an: {e_proc}") # Hier koennen Sie z.B. einen Fehlerindikator in eine spezielle Spalte im Sheet schreiben lassen. # Dieses Update muesste dann separat oder im naechsten Lauf behandelt werden. # _process_single_row beinhaltet bereits eine kleine Pause am Ende. # Hier ist keine zusaetzliche Pause noetig, wenn _process_single_row erfolgreich war. # Wenn _process_single_row eine Exception wirft, kann hier eine kurze Pause sinnvoll sein. # time.sleep(0.1) # Optional: Kurze Pause bei Fehler nach Exception # Logge den Abschluss des Modus self.logger.info(f"Modus 'wiki_reextract_missing_an' abgeschlossen. {processed_count} Zeilen an _process_single_row uebergeben, {skipped_count} Zeilen uebersprungen.") # Keine Pause nach diesem Modus noetig, da die naechste Aktion im Dispatcher (Block 34) folgt. # ============================================================================== # Ende DataProcessor Klasse Utility: Other Specific Tasks Block # ============================================================================== # ============================================================================== # Ende DataProcessor Klasse # ============================================================================== # --- Ende der DataProcessor Klasse --- # Ein pass statement, um die Klassendefinition abzuschliessen, falls keine weiteren Methoden folgen. pass # <-- DIESES pass STATEMENT GEHOERT ZUM ENDE DER KLASSENDEFINITION # ============================================================================== # Hauptausfuehrungsblock & Globale Funktionen nach Klassen # ============================================================================== # Der naechste Block (Block 34) enthaelt die main Funktion und den Entry Point. # ============================================================================== # 6. MAIN FUNCTION (HAUPTEINSTIEGSPUNKT & UI DISPATCHER) # ============================================================================== # Der globale Root Logger wird in main() konfiguriert # logger = logging.getLogger(__name__) # Diesen Logger gibt es schon, keine Neudefinition hier def main(): """ Haupteinstiegspunkt des Skripts. Verarbeitet Kommandozeilen-Argumente, richtet Logging ein, initialisiert Komponenten und dispatchet zu den passenden Modi. """ # WICHTIG: Globale Variable LOG_FILE wird benoetigt (Initialisierung Block 1) global LOG_FILE logger = logging.getLogger(__name__) # <<< DIESE ZEILE HINZUFÜGEN # --- Initial Logging Setup (Konfiguration von Level und Format) --- # Diese Konfiguration wird wirksam, sobald die Handler hinzugefuegt werden. # Standard-Logging Level festlegen (aus Config Block 1) log_level = logging.DEBUG if getattr(Config, 'DEBUG', False) else logging.INFO log_format = '%(asctime)s - %(levelname)-8s - %(name)-25s - %(message)s' # Angepasstes Format mit breiterem Namen # Root-Logger konfigurieren (mit Console Handler, File Handler wird spaeter hinzugefuegt) # handlers=[] verhindert default Console Handler, wir fuegen ihn manuell hinzu fuer mehr Kontrolle logging.basicConfig(level=log_level, format=log_format, handlers=[]) # Console Handler explizit hinzufuegen console_handler = logging.StreamHandler() console_handler.setLevel(log_level) # Nimm das globale Level console_handler.setFormatter(logging.Formatter(log_format)) # Pruefen, ob nicht schon ein Console Handler vorhanden ist (z.B. bei wiederholten Aufrufen in Tests) if not any(isinstance(h, logging.StreamHandler) for h in logging.getLogger('').handlers): logging.getLogger('').addHandler(console_handler) # Testnachricht (geht nur an Konsole, da File Handler noch fehlt) logger.debug("DEBUG Logging initial konfiguriert (nur Konsole).") logger.info("INFO Logging initial konfiguriert (nur Konsole).") # --- Initialisierung (Argument Parser) --- current_script_version = getattr(Config, 'VERSION', 'unknown') # Aus Config Block 1 parser = argparse.ArgumentParser( description=f"Firmen-Datenanreicherungs-Skript {current_script_version}. Automatisiert Anreicherung und Validierung aus Google Sheets.", formatter_class=argparse.RawTextHelpFormatter # Behaelt Formatierung im Help-Text ) # Liste der gueltigen Modi - MUSS mit den elif-Zweigen unten uebereinstimmen! # Kategorisiert fuer die Menue-Ausgabe mode_categories = { "Batch-Verarbeitung (Schritt-Optimiert)": [ "wiki_verify", # Uebereinstimmend mit process_verification_batch (Block 26) "website_scraping", # Uebereinstimmend mit process_website_scraping_batch (Block 27) "summarize_website", # Uebereinstimmend mit process_summarization_batch (Block 28) "branch_eval", # Uebereinstimmend mit process_branch_batch (Block 29) ], "Sequenzielle Verarbeitung (Zeilenweise)": [ "full_run", # Nutzt process_rows_sequentially (Block 24) ], "Re-Evaluate Markierte Zeilen (Spalte A='x')": [ "reeval", # Nutzt process_reevaluation_rows (Block 25) ], "Einzelne Dienstprogramme / Suchen": [ "find_wiki_serp", # Nutzt process_find_wiki_serp (Block 30) "website_lookup", # Nutzt process_serp_website_lookup (Block 30) "contacts", # Nutzt process_contact_search (Block 30) "update_wiki_suggestions", # Nutzt process_wiki_updates_from_chatgpt (Block 32) "wiki_reextract_missing_an", # Nutzt process_wiki_reextract_missing_an (Block 32) "website_details", # EXPERIMENTELL - Nutzt process_website_details (Block 32) "train_technician_model", # Nutzt train_technician_model (Block 31) "alignment", # Nutzt globale alignment_demo (Block 14) ], "Kombinierte Laeufe (Vordefiniert)": [ "combined_all", # Definiert eine Sequenz von Batch-Modi ] } # Erstellen Sie eine flache Liste aller validen Modi fuer die Validierung valid_modes = [mode for modes in mode_categories.values() for mode in modes] # Dynamisch generieren des Help-Textes fuer den Modus mode_help_text = "Betriebsmodus. Waehlen Sie einen der folgenden:\n" for category, modes in mode_categories.items(): mode_help_text += f"\n{category}:\n" for mode in modes: mode_help_text += f" - {mode}\n" parser.add_argument("--mode", type=str, help=mode_help_text) # Hilfsargument fuer die CLI-basierte Modusauswahl (wenn --mode gesetzt ist) parser.add_argument("-m", "--cli-mode", dest="mode", action="store_const", const=valid_modes[0] if valid_modes else None, help=argparse.SUPPRESS) # Unterdruecke in --help parser.add_argument("--limit", type=int, help="Maximale Anzahl zu verarbeitender Zeilen in den meisten Modi (prueft Zeilen VOR Ueberspringung/Filterung).", default=None) # start_sheet_row wird primaer fuer full_run verwendet, kann aber auch fuer Bereiche in Batch nuetzlich sein parser.add_argument("--start_sheet_row", type=int, help="Startzeile im Sheet (1-basiert) fuer 'full_run' und einige Batch-Modi. Standard: Automatische Ermittlung basierend auf Timestamp.", default=None) # end_sheet_row fuer Bereiche parser.add_argument("--end_sheet_row", type=int, help="Endzeile im Sheet (1-basiert) fuer 'full_run' und einige Batch-Modi. Standard: Ende des Sheets.", default=None) # Argument fuer den Re-Eval und Full-Run Modus zur Auswahl der Schritte # Moegliche Werte fuer die Schritte: 'wiki', 'chat', 'web', 'ml_predict', etc. (entsprechend den step_type Schluesseln in _process_single_row Block 19) # Default ist 'all' fuer alle Schritte, oder eine spezifische Liste # Dies sind die Schluessel, die _process_single_row (Block 19) in steps_to_run Set erwartet. valid_single_row_steps = ['wiki', 'chat', 'web', 'ml_predict'] # Fuegen Sie hier weitere Schritt-Schluessel hinzu, die _process_single_row versteht single_row_steps_help = f"Komma-getrennte Liste der Schritte im 'reeval' und 'full_run' Modus (z.B. 'wiki,chat').\nMögliche Schritte: {', '.join(valid_single_row_steps)}.\nStandard: {'all' if valid_single_row_steps else 'keine'}" # Standard: alle verfuegbaren Schritte # Standardwert fuer --steps: Alle gueltigen Single-Row Schritte, wenn es welche gibt default_steps_arg = ','.join(valid_single_row_steps) if valid_single_row_steps else '' parser.add_argument("--steps", type=str, help=single_row_steps_help, default=default_steps_arg) # Argumente fuer find_wiki_serp (falls ueber CLI gesteuert) parser.add_argument("--min_umsatz", type=float, help="Mindestumsatz in MIO € (CRM Spalte J) fuer find_wiki_serp Filter.", default=200.0) # Float fuer Konsistenz parser.add_argument("--min_employees", type=int, help="Mindestmitarbeiterzahl (CRM Spalte K) fuer find_wiki_serp Filter.", default=500) # Argumente fuer train_technician_model (Pfade fuer Output-Dateien) parser.add_argument("--model_out", type=str, default=MODEL_FILE, help=f"Pfad fuer das trainierte Modell (.pkl). Standard: {MODEL_FILE}") # Block 1 Konstante parser.add_argument("--imputer_out", type=str, default=IMPUTER_FILE, help=f"Pfad fuer den trainierten Imputer (.pkl). Standard: {IMPUTER_FILE}") # Block 1 Konstante parser.add_argument("--patterns_out", type=str, default=PATTERNS_FILE_JSON, help=f"Pfad fuer die Feature-Spaltenliste (.json). Standard: {PATTERNS_FILE_JSON}") # Block 1 Konstante # TODO: Fuegen Sie hier weitere CLI-Argumente hinzu, falls andere Modi Parameter benoetigen args = parser.parse_args() # --- Konfiguration laden --- Config.load_api_keys() # Nutzt jetzt logging intern (print am Anfang Block 1) # --- Logdatei-Konfiguration abschliessen --- # Bestimmen Sie den Log-Modus Namen basierend auf CLI oder Interaktion # Wir nutzen den CLI Modus Namen, wenn --mode gesetzt ist, sonst "interactive". log_mode_name = args.mode if args.mode else "interactive" LOG_FILE = create_log_filename(log_mode_name) # Nutzt globale Funktion (Block 3) # Wenn die Logdatei erfolgreich erstellt wurde if LOG_FILE: try: # Erstellen Sie den FileHandler fuer die Logdatei # mode='a' zum Anhaengen, encoding='utf-8' fuer Unicode file_handler = logging.FileHandler(LOG_FILE, mode='a', encoding='utf-8') file_handler.setLevel(log_level) # Nimm das globale Level # Verwenden Sie denselben Formatter wie fuer den Console Handler file_handler.setFormatter(logging.Formatter(log_format)) # Fuege FileHandler zum Root-Logger hinzu # Pruefen, ob nicht schon ein File Handler mit demselben Pfad vorhanden ist (z.B. bei wiederholten Aufrufen in Tests) if not any(isinstance(h, logging.FileHandler) and h.baseFilename == os.path.abspath(LOG_FILE) for h in logging.getLogger('').handlers): logging.getLogger('').addHandler(file_handler) logger.info(f"Logging wird jetzt auch in Datei geschrieben: {LOG_FILE}") except Exception as e: # Logge Fehler nur auf Konsole, da FileHandler fehlgeschlagen ist # logger.exception loggt auch an die Konsole, wenn kein FileHandler da ist logger.error(f"Konnte FileHandler fuer Logdatei '{LOG_FILE}' nicht erstellen: {e}") # Optional: Entfernen Sie evtl. den fehlerhaften Handler aus der Liste logging.getLogger('').handlers = [h for h in logging.getLogger('').handlers if not isinstance(h, logging.FileHandler) or h.baseFilename == os.path.abspath(LOG_FILE)] # Entferne nur den fehlerhaften Handler # --- JETZT die Startmeldungen loggen (gehen jetzt in Konsole UND Datei) --- logger.info(f"===== Skript gestartet =====") logger.info(f"Version: {current_script_version}") # Logge den tatsaechtlichen Pfad der Logdatei oder die Fehlermeldung logger.info(f"Logdatei: {LOG_FILE if LOG_FILE else 'FEHLER - Keine Logdatei erstellt'}") # Logge relevante CLI Argumente zur Dokumentation des Laufs logger.info(f"CLI Argumente: {args}") # --- Vorbereitung (Schema, Handler etc.) --- # Laden Sie das Ziel-Branchenschema (Block 6) # load_target_schema ist mit retry_on_failure dekoriert (Block 2). load_target_schema() # Initialisiere GoogleSheetHandler (Block 14) sheet_handler = None # Initialisiere Variable try: # Der GoogleSheetHandler Init (_init_ Methode) baut die Verbindung auf und laedt Daten. # Fehler werden dort gefangen und als ConnectionError erneut geworfen. sheet_handler = GoogleSheetHandler() #<- Zeile 13596 logger.info("GoogleSheetHandler erfolgreich initialisiert.") except ConnectionError as e: # Wenn die Initialisierung des SheetHandlers fehlschlaegt (Verbindungs-/Ladefehler) logger.critical(f"FATAL: Initialisierung des GoogleSheetHandlers fehlgeschlagen: {e}") logger.critical(f"Bitte ueberpruefen Sie Ihre Google Sheets URL, Credentials und Berechtigungen.") logger.critical(f"Bitte Logdatei pruefen fuer Details: {LOG_FILE}") return # Beende Skript, wenn Sheet nicht geladen werden kann except Exception as e: # Fangen Sie andere unerwartete Fehler bei der Initialisierung ab logger.critical(f"FATAL: Unerwarteter Fehler bei Initialisierung von GoogleSheetHandler: {e}") logger.debug(traceback.format_exc()) logger.critical(f"Bitte Logdatei pruefen fuer Details: {LOG_FILE}") return # Beende Skript # Initialisiere WikipediaScraper (Block 14) wiki_scraper = None # Initialisiere Variable try: # Der WikipediaScraper Init (_init_ Methode) konfiguriert die Bibliothek und Requests. # Fehler werden dort gefangen und erneut geworfen. wiki_scraper = WikipediaScraper() logger.info("WikipediaScraper erfolgreich initialisiert.") except Exception as e: # Wenn die Initialisierung des WikipediaScrapers fehlschlaegt logger.critical(f"FATAL: Initialisierung des WikipediaScrapers fehlgeschlagen: {e}") logger.debug(traceback.format_exc()) logger.critical(f"Bitte Logdatei pruefen fuer Details: {LOG_FILE}") # Das Skript kann ohne Wiki Scraper viele Modi nicht sinnvoll laufen return # Beende Skript # TODO: Initialisieren Sie hier weitere Worker-Instanzen, falls Sie separate Klassen haben (z.B. OpenAIHandler, SerpAPIHandler) # openai_handler = OpenAIHandler() # serpapi_handler = SerpAPIHandler() # Initialisiere DataProcessor Instanz (Block 15) mit Handlern # Uebergeben Sie alle benoetigten Handler an den DataProcessor. # Die __init__ Methode des DataProcessor (Block 15) prueft die Typen und wirft Value Error, wenn falsch. try: data_processor = DataProcessor(sheet_handler=sheet_handler, wiki_scraper=wiki_scraper) logger.info("DataProcessor erfolgreich initialisiert.") except Exception as e: # Fangen Sie Fehler bei der DataProcessor Initialisierung ab. logger.critical(f"FATAL: Initialisierung des DataProcessors fehlgeschlagen: {e}") logger.debug(traceback.format_exc()) logger.critical(f"Bitte Logdatei pruefen fuer Details: {LOG_FILE}") return # Beende Skript # --- Modusauswahl und Ausfuehrung --- start_process_time = time.time() # Zeitmessung fuer die Verarbeitung starten logger.info(f"Starte Verarbeitung um {datetime.now().strftime('%H:%M:%S')}...") selected_mode = None # Variable fuer den tatsaechlich auszufuehrenden Modus # --- Ermitteln des zu fuehrenden Modus (CLI hat Prioritaet vor interaktiver Auswahl) --- # Wenn das --mode Argument ueber die Kommandozeile gesetzt wurde if args.mode: selected_mode = args.mode.lower() # Konvertiere zu Kleinbuchstaben # Pruefen Sie, ob der gewaehlte Modus in der Liste der validen Modi enthalten ist if selected_mode not in valid_modes: # Logge einen Fehler und beende das Skript, wenn der Modus ungueltig ist. logger.error(f"Ungueltiger Modus '{args.mode}' ueber Kommandozeile angegeben. Gueltige Modi: {', '.join(valid_modes)}") print(f"Fehler: Ungueltiger Modus '{args.mode}'. Bitte ueberpruefen Sie die Liste der gueltigen Modi (siehe --help).") return # Beende das Skript logger.info(f"Betriebsmodus (CLI gewaehlt): {selected_mode}") # Wenn das --mode Argument NICHT ueber die Kommandozeile gesetzt wurde else: # --- Interaktive Modusauswahl ueber die Konsole --- print("\nBitte waehlen Sie den Betriebsmodus:") # Zeigen Sie die Liste der validen Modi kategorisiert an, mit Nummern. mode_options_map = {} # Dictionary zum Abbilden von Zahl/Name auf Modusname option_counter = 1 # Zaehler fuer die numerischen Optionen # Iteriere durch die Kategorien und Modi for category, modes in mode_categories.items(): print(f"\n{category}:") for mode in modes: print(f" {option_counter}: {mode}") mode_options_map[str(option_counter)] = mode # Bilde die numerische Option auf den Modusnamen ab mode_options_map[mode] = mode # Bilde den Modusnamen (kleingeschrieben) auf sich selbst ab (fuer direkte Eingabe) option_counter += 1 # Erhoehe den Zaehler # Fuegen Sie eine Option zum Abbrechen hinzu print(f"\n 0: Abbrechen") mode_options_map['0'] = 'exit' # Bilde 0 auf den speziellen 'exit' Modus ab # Schleife, bis ein gueltiger Modus gewaehlt wurde oder der Benutzer abbricht while selected_mode is None: try: # Lesen Sie die Eingabe vom Benutzer mode_input = input(f"Geben Sie den Modusnamen oder die Zahl ein: ").strip().lower() # Pruefen Sie, ob die Eingabe einer Option in der Map entspricht if mode_input in mode_options_map: selected_mode = mode_options_map[mode_input] # Setzen Sie den gewaehlten Modusnamen # Wenn der 'exit' Modus gewaehlt wurde if selected_mode == 'exit': logger.info("Modus 'exit' gewaehlt. Skript wird beendet.") print("Abgebrochen durch Benutzer.") return # Beende das Skript # Logge den gewaehlten Modus logger.info(f"Betriebsmodus (interaktiv gewaehlt): {selected_mode}") else: # Wenn die Eingabe keinem gueltigen Modus entspricht print("Ungueltige Eingabe. Bitte waehlen Sie eine gueltige Option aus der Liste.") # Wenn selected_mode immer noch None ist, laeuft die Schleife weiter except EOFError: # Benutzer hat Ctrl+D gedrueckt (End-of-File) # Fangen Sie das EOFError ab und beenden Sie das Skript sauber. logger.warning("Interaktive Modus-Eingabe abgebrochen (EOFError). Skript wird beendet.") print("\nEingabe abgebrochen.") return # Beende das Skript except Exception as e: # Fangen Sie andere unerwartete Fehler bei der Eingabe ab logger.error(f"Fehler bei interaktiver Modus-Eingabe: {e}") logger.debug(traceback.format_exc()) print(f"Ein Fehler ist bei der Modus-Eingabe aufgetreten ({e}). Bitte pruefen Sie die Logdatei.") return # Beende das Skript bei unerwartetem Fehler # --- Ausfuehrung des gewaehlten Modus --- try: # Holen Sie die CLI-Argumente fuer Start/End/Limit/Steps limit_arg = args.limit start_row_arg = args.start_sheet_row end_row_arg = args.end_sheet_row # Sonderbehandlung fuer --steps Argument (relevant fuer reeval und full_run) steps_to_run_set = set() # Initialisiere ein leeres Set # Pruefen Sie, ob das --steps Argument gesetzt ist und nicht "all" (case-insensitive) if args.steps and isinstance(args.steps, str) and args.steps.strip().lower() != 'all': # Teilen Sie den String in Schritte auf und bereinigen Sie Leerzeichen steps_list = [step.strip().lower() for step in args.steps.split(',') if step.strip()] # Filtern Sie nur erlaubte Schritte (die von _process_single_row verstanden werden Block 19) steps_to_run_set = set(step for step in steps_list if step in valid_single_row_steps) # valid_single_row_steps wurde oben definiert # Logge eine Warnung, wenn ungueltige Schritte angegeben wurden if len(steps_to_run_set) != len(steps_list): invalid_steps = [step for step in steps_list if step not in valid_single_row_steps] logger.warning(f"Ignoriere ungueltige Schritte im --steps Argument: {invalid_steps}. Fuehre nur {steps_to_run_set} aus.") # Wenn nach der Filterung keine gueltigen Schritte uebrig sind if not steps_to_run_set: logger.error("Keine gueltigen Schritte im --steps Argument gefunden. Re-Eval/Full-Run kann nicht gestartet werden.") print("Fehler: Keine gueltigen Schritte fuer den Modus ausgewaehlt. Bitte ueberpruefen Sie das --steps Argument.") return # Skript beenden, wenn keine Schritte ausgewaehlt sind # Wenn das --steps Argument 'all' ist oder nicht gesetzt else: # Fuhren Sie standardmaessig alle gueltigen Single-Row Schritte aus. steps_to_run_set = set(valid_single_row_steps) # valid_single_row_steps wurde oben definiert # Logge, welche Schritte ausgewaehlt wurden, wenn es der Standard ist if default_steps_arg: # Wenn es ueberhaupt gueltige Schritte gibt logger.debug(f"--steps Argument 'all' oder nicht gesetzt. Standard Schritte: {steps_to_run_set}.") # Dispatching basierend auf dem gewaehlten Modus (selected_mode) logger.info(f"Starte Ausfuehrung des Modus: {selected_mode}") # ---- KORRIGIERTER if/elif/else BLOCK STARTET HIER ---- if selected_mode == "combined_all": # Fuehrt die wichtigsten Batch-Modi nacheinander aus logger.info("--- Start Kombinierter Modus: wiki_verify ---") # Rufe die Methode der DataProcessor Instanz auf (Block 26) data_processor.process_verification_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) logger.info("--- Start Kombinierter Modus: website_scraping ---") # Rufe die Methode der DataProcessor Instanz auf (Block 27) data_processor.process_website_scraping_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) logger.info("--- Start Kombinierter Modus: summarize_website ---") # Rufe die Methode der DataProcessor Instanz auf (Block 28) data_processor.process_summarization_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) logger.info("--- Start Kombinierter Modus: branch_eval ---") # Rufe die Methode der DataProcessor Instanz auf (Block 29) data_processor.process_branch_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) # TODO: Fuegen Sie hier weitere Batch-Modi hinzu, falls sie im kombinierten Lauf enthalten sein sollen logger.info("--- Kombinierter Modus abgeschlossen ---") # ---- Batch-VERARBEITUNG (Schritt-Optimiert) ---- elif selected_mode == "wiki_verify": # Uebereinstimmend mit process_verification_batch (Block 26) # Rufe die Methode der DataProcessor Instanz auf data_processor.process_verification_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) elif selected_mode == "website_scraping": # Uebereinstimmend mit process_website_scraping_batch (Block 27) # Rufe die Methode der DataProcessor Instanz auf data_processor.process_website_scraping_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) elif selected_mode == "summarize_website": # Uebereinstimmend mit process_summarization_batch (Block 28) # Rufe die Methode der DataProcessor Instanz auf data_processor.process_summarization_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) elif selected_mode == "branch_eval": # Uebereinstimmend mit process_branch_batch (Block 29) # Rufe die Methode der DataProcessor Instanz auf data_processor.process_branch_batch(start_sheet_row=start_row_arg, end_sheet_row=end_row_arg, limit=limit_arg) # ---- Sequentielle VERARBEITUNG (Zeilenweise) ---- elif selected_mode == "full_run": # Nutzt process_rows_sequentially (Block 24) # Full_run verarbeitet sequentiell einen Bereich. # Startzeile wird vom CLI Argument oder automatisch ermittelt (erste leere AO). # Endzeile vom CLI Argument oder bis Ende Sheet. # Limit begrenzt die Anzahl der *verarbeiteten* Zeilen im Bereich. calculated_start_sheet_row = start_row_arg # Beginne mit CLI Argument start_sheet_row # Wenn start_sheet_row nicht ueber CLI gesetzt wurde if calculated_start_sheet_row is None: # Automatische Ermittlung der Startzeile (erste Zeile ohne AO) logger.info("Automatische Ermittlung der Startzeile fuer sequenzielle Verarbeitung (erste Zeile ohne AO)...") # get_start_row_index (Block 14) gibt 0-basierten Index in Daten (ohne Header) zurueck. # Prueft auf leeren AO (Block 1 Column Map). start_data_index_no_header = sheet_handler.get_start_row_index(check_column_key="Timestamp letzte Pruefung", min_sheet_row=7) # Wenn get_start_row_index -1 zurueckgibt (Fehler) if start_data_index_no_header == -1: logger.error("FEHLER bei automatischer Ermittlung der Startzeile. Kann Full-Run nicht starten.") return # Beende das Skript # Berechne die 1-basierte Sheet-Startzeile aus dem 0-basierten Daten-Index calculated_start_sheet_row = start_data_index_no_header + sheet_handler._header_rows + 1 # Block 14 SheetHandler Attribut # Berechnen Sie die tatsaechliche Anzahl der zu verarbeitenden Zeilen im Bereich. # (basierend auf Endzeile und Limit) total_sheet_rows = len(sheet_handler.get_all_data_with_headers()) # Block 14 SheetHandler calculated_end_sheet_row = end_row_arg if end_row_arg is not None else total_sheet_rows # Stellen Sie sicher, dass die Endzeile nicht vor der Startzeile liegt calculated_end_sheet_row = max(calculated_start_sheet_row - 1, calculated_end_sheet_row) # Die Anzahl der Zeilen im betrachteten Bereich rows_in_range = max(0, calculated_end_sheet_row - calculated_start_sheet_row + 1) # num_to_process ist das Limit, angewendet auf die Zeilen im Bereich. num_to_process_calc = rows_in_range # Standard: alle Zeilen im Bereich # Wenn ein Limit ueber CLI gesetzt wurde und es gueltig ist if limit_arg is not None and isinstance(limit_arg, int) and limit_arg >= 0: num_to_process_calc = min(rows_in_range, limit_arg) # Wenn es Zeilen zu verarbeiten gibt if num_to_process_calc > 0: logger.info(f"'full_run': Verarbeite {num_to_process_calc} Zeilen im Sheet-Bereich [{calculated_start_sheet_row}, {calculated_end_sheet_row}].") # Rufe die sequentielle Verarbeitungsmethode auf (Block 24) # _process_single_row (Block 19) wird intern aufgerufen. data_processor.process_rows_sequentially( start_sheet_row = calculated_start_sheet_row, num_to_process = num_to_process_calc, # Uebergeben Sie die aus dem --steps Argument ermittelten Flags (steps_to_run_set) process_wiki_steps='wiki' in steps_to_run_set, process_chatgpt_steps='chat' in steps_to_run_set, process_website_steps='web' in steps_to_run_set, process_ml_steps='ml_predict' in steps_to_run_set # TODO: Weitere Schritt-Flags hier uebergeben # force_reeval_in_single_row=False # Normalerweise kein Re-Eval im Full-Run # clear_x_flag=False # Normalerweise kein X loeschen im Full-Run ) else: # Wenn keine Zeilen zu verarbeiten sind logger.info(f"Keine Zeilen fuer 'full_run' zu verarbeiten im Bereich [{calculated_start_sheet_row}, {calculated_end_sheet_row}] mit Limit {limit_arg}.") # ---- Re-EVALUATE Markierte Zeilen ---- elif selected_mode == "reeval": # Nutzt process_reevaluation_rows (Block 25) # reeval Modus nutzt immer force_reeval=True in _process_single_row. # Das 'x'-Flag wird von _process_single_row (Block 21) geloescht, wenn clear_flag=True uebergeben wird. # Das Limit wird direkt an process_reevaluation_rows uebergeben und dort gehandhabt. if limit_arg is not None and isinstance(limit_arg, int) and limit_arg <= 0: # Wenn ein Limit von 0 oder weniger angegeben wurde logger.info(f"Limit {limit_arg} angegeben im Re-Eval Modus. Ueberspringe Verarbeitung.") else: # Rufe die Methode der DataProcessor Instanz auf (Block 25) data_processor.process_reevaluation_rows( row_limit=limit_arg, # Uebergibt das Limit (kann None sein) clear_flag=True, # Standardmaessig das 'x'-Flag loeschen # Uebergeben Sie die aus dem --steps Argument ermittelten Schritte (steps_to_run_set) process_wiki_steps='wiki' in steps_to_run_set, process_chatgpt_steps='chat' in steps_to_run_set, process_website_steps='web' in steps_to_run_set, process_ml_steps='ml_predict' in steps_to_run_set # TODO: Weitere Schritt-Flags hier uebergeben ) # ---- Einzelne DIENSTPROGRAMME / SUCHEN ---- elif selected_mode == "find_wiki_serp": # Nutzt process_find_wiki_serp (Block 30) # find_wiki_serp sucht leere AY mit Groessenfilter. Nutzt limit, min_employees, min_umsatz. # Start/Endzeile koennen manuell gesetzt werden oder werden automatisch ermittelt (erste leere AY). data_processor.process_find_wiki_serp( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg, # Kann manuell gesetzt werden min_employees=args.min_employees, # Aus CLI Argument min_umsatz=args.min_umsatz # Aus CLI Argument ) elif selected_mode == "website_lookup": # Nutzt process_serp_website_lookup (Block 30) # website_lookup sucht leere D. Nutzt limit. Start/Endzeile koennen manuell gesetzt werden. data_processor.process_serp_website_lookup( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg # Kann manuell gesetzt werden ) elif selected_mode == "contacts": # Nutzt process_contact_search (Block 30) # contacts sucht leere AM. Nutzt limit. Start/Endzeile koennen manuell gesetzt werden. data_processor.process_contact_search( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg # Kann manuell gesetzt werden ) elif selected_mode == "update_wiki_suggestions": # Nutzt process_wiki_updates_from_chatgpt (Block 32) # update_wiki_suggestions prueft Status S. Nutzt limit. Start/Endzeile koennen manuell gesetzt werden. data_processor.process_wiki_updates_from_chatgpt( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg # Kann manuell gesetzt werden ) elif selected_mode == "wiki_reextract_missing_an": # Nutzt process_wiki_reextract_missing_an (Block 32) # wiki_reextract_missing_an sucht M gefuellt & AN leer. Nutzt limit. Start/Endzeile koennen manuell gesetzt werden. # Ruft intern _process_single_row mit steps={'wiki'} und force_reeval=True auf. data_processor.process_wiki_reextract_missing_an( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg # Kann manuell gesetzt werden ) elif selected_mode == "website_details": # EXPERIMENTELL - Nutzt process_website_details (Block 32) # website_details sucht 'x' in A. Nutzt limit. Start/Endzeile koennen manuell gesetzt werden. data_processor.process_website_details( start_sheet_row=start_row_arg, # Kann manuell gesetzt werden end_sheet_row=end_row_arg, # Kann manuell gesetzt werden limit=limit_arg # Kann manuell gesetzt werden ) elif selected_mode == "train_technician_model": # Nutzt train_technician_model (Block 31) # training braucht keine Zeilenlimits im Sinne eines Bereichs oder der Anzahl zu verarbeitender Zeilen im Sheet. # Es nutzt prepare_data_for_modeling (Block 31), die alle relevanten Zeilen filtert. # Die output-Pfade werden aus CLI Argumenten genommen (args). data_processor.train_technician_model( model_out=args.model_out, # Aus CLI Argument imputer_out=args.imputer_out, # Aus CLI Argument patterns_out=args.patterns_out # Aus CLI Argument (JSON Datei) ) elif selected_mode == "alignment": # Nutzt globale alignment_demo (Block 14) # alignment_demo ist eine globale Funktion, die das sheet Objekt braucht. # Sie braucht keine Zeilenlimits oder Start/Ende. if sheet_handler and sheet_handler.sheet: alignment_demo(sheet_handler.sheet) else: logger.error("Sheet-Handler oder Sheet-Objekt nicht verfuegbar fuer Alignment-Demo.") # ---- Modus nicht gefunden (sollte durch Validierung oben abgefangen werden) ---- else: # Dieser Zweig sollte aufgrund der Validierung am Anfang nie erreicht werden. logger.error(f"Unerwarteter Modus '{selected_mode}' erreichte das Ausfuehrungsende des Dispatchers.") print(f"Interner Fehler: Unbekannter Modus '{selected_mode}'.") # --- Ausnahmebehandlung fuer den gesamten Ausfuehrungsblock --- except KeyboardInterrupt: # Wenn der Benutzer das Skript manuell unterbricht (Ctrl+C) logger.warning("Skript durch Benutzer unterbrochen (KeyboardInterrupt).") print("\n! Skript wurde manuell beendet.") except Exception as e: # Dieser Block faengt alle unerwarteten Exceptions ab, die in den aufgerufenen # Funktionen/Methoden passieren und nicht intern gefangen und behandelt werden. logger.critical(f"FATAL: Unerwarteter Fehler waehrend der Ausfuehrung von Modus '{selected_mode}': {e}") # exception() loggt den Fehlertyp, die Nachricht und den vollständigen Traceback. logger.exception("Traceback des kritischen Fehlers:") # Gebe eine Fehlermeldung an die Konsole aus, die auf das Log verweist. print(f"\n! Ein kritischer Fehler ist aufgetreten: {type(e).__name__} - {e}") print(f"Bitte pruefen Sie die Logdatei fuer Details: {LOG_FILE}") # --- Abschluss der Skriptausfuehrung --- end_process_time = time.time() # Ende der Zeitmessung duration = end_process_time - start_process_time # Berechne die Gesamtdauer logger.info(f"Verarbeitung abgeschlossen um {datetime.now().strftime('%H:%M:%S')}.") logger.info(f"Gesamtdauer: {duration:.2f} Sekunden.") logger.info(f"===== Skript beendet =====") # Schliesse Logging Handler explizit # Dies stellt sicher, dass alle gepufferten Logmeldungen in die Datei geschrieben werden. logging.shutdown() # Logfile Pfad fuer den Nutzer auf der Konsole ausgeben if LOG_FILE: print(f"\nVerarbeitung abgeschlossen. Logfile: {LOG_FILE}") else: print("\nVerarbeitung abgeschlossen. Es konnte keine Logdatei erstellt werden.") # ============================================================================== # 7. ENTRY POINT # ============================================================================== # Fuehrt die main-Funktion aus, wenn das Skript direkt gestartet wird. if __name__ == '__main__': # Die main() Funktion enthaltet nun die gesamte Logik und Initialisierung. # Alle globalen imports (Block 1) und globalen Funktionen (Block 2-13) MÜSSEN VOR diesem Block definiert sein. # Alle Klassen (Block 14-33) MÜSSEN VOR diesem Block definiert sein. main()