soup.find(class_='content') # Oder
# Füge ggf. weitere spezifische Selektoren hinzu, die du oft siehst ) if content_area: debug_print(f"Gezielten Inhaltsbereich gefunden ({content_area.name}#{content_area.get('id')} oder .{content_area.get('class')}) für {url}") else: # --- Fallback: Body nehmen, ABER Banner versuchen zu entfernen --- debug_print(f"Kein spezifischer Inhaltsbereich gefunden für {url}. Nutze Body und versuche Banner zu entfernen.") content_area = soup.find('body') if content_area: # Versuche, häufige Cookie-Banner Strukturen zu entfernen banner_selectors = [ '[id*="cookie"]', # IDs die "cookie" enthalten '[class*="cookie"]', # Klassen die "cookie" enthalten '[id*="consent"]', # IDs die "consent" enthalten '[class*="consent"]', # Klassen die "consent" enthalten '[id*="banner"]', # IDs die "banner" enthalten (vorsichtig!) '[class*="banner"]', # Klassen die "banner" enthalten (vorsichtig!) '[role="dialog"]' # Oft für Popups/Banner genutzt (vorsichtig!) ] banners_removed_count = 0 for selector in banner_selectors: try: potential_banners = content_area.select(selector) for banner in potential_banners: # Zusätzliche Prüfung: Enthält das Element typischen Banner-Text? banner_text = banner.get_text(" ", strip=True).lower() keywords = ["cookie", "zustimm", "ablehnen", "einverstanden", "datenschutz", "privacy", "akzeptier"] if any(keyword in banner_text for keyword in keywords): debug_print(f"Entferne potenzielles Banner ({selector}) mit Text: {banner_text[:100]}...") banner.decompose() # Entferne das Element aus dem Baum banners_removed_count += 1 except Exception as e_select: debug_print(f"Fehler beim Versuch Banner mit Selektor '{selector}' zu entfernen: {e_select}") if banners_removed_count > 0: debug_print(f"{banners_removed_count} potenzielle Banner-Elemente entfernt.") # --- Text extrahieren aus gefundenem Bereich (oder Body) --- if content_area: for script_or_style in content_area(["script", "style"]): # Skripte/Styles entfernen script_or_style.decompose() text = content_area.get_text(separator=' ', strip=True) text = re.sub(r'\s+', ' ', text) # Normalisiere Whitespace # --- Zusätzliche Prüfung: Ist der extrahierte Text *nur* Banner-Text? --- 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) # Heuristik: Wenn der Text kurz ist UND viele Banner-Keywords enthält -> Verwerfen if len(text) < 500 and keyword_hits >= 3: debug_print(f"WARNUNG: Extrahierter Text für {url} scheint nur Cookie-Banner zu sein (Länge {len(text)}, {keyword_hits} Keywords). Verwerfe Text.") return "k.A. (Nur Cookie-Banner erkannt)" result = text[:max_length] debug_print(f"Website {url} erfolgreich gescrapt. Extrahierter Text (Länge {len(result)}): {result[:100]}...") return result else: debug_print(f"Kein oder spezifischer Inhaltsbereich gefunden in {url}") return "k.A." except requests.exceptions.SSLError as e: debug_print(f"SSL-Fehler beim Abrufen der Website {url}: {e}. Versuche ohne Zertifikatsprüfung...") if verify_cert: return get_website_raw(url, max_length, verify_cert=False) else: return "k.A." except requests.exceptions.RequestException as e: debug_print(f"Netzwerk-/HTTP-Fehler beim Abrufen der Website {url}: {e}") return "k.A." except Exception as e: debug_print(f"Allgemeiner Fehler beim Scraping von {url}: {e}") return "k.A." # Die Hilfsfunktion summarize_batch_openai wird weiterhin benötigt # (Code dafür bleibt wie in der Antwort von 16:24 Uhr) @retry_on_failure def summarize_batch_openai(tasks_data): """ Fasst eine Liste von Rohtexten in einem einzigen OpenAI API Call zusammen. Die Prüfung auf das Token-Limit wird jetzt primär der API überlassen. Args: tasks_data (list): Eine Liste von Dictionaries, jedes enthält: {'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 "k.A." verwendet. """ if not tasks_data: return {} # Filtere Tasks, die gültigen Text haben valid_tasks = [t for t in tasks_data if t.get("raw_text") and t["raw_text"] not in ["k.A.", "k.A. (Nur Cookie-Banner erkannt)", "k.A. (Fehler)"] and str(t.get("raw_text")).strip()] if not valid_tasks: debug_print("Keine gültigen Rohtexte für Batch-Zusammenfassung gefunden.") return {t['row_num']: "k.A. (Kein gültiger Rohtext)" for t in tasks_data} debug_print(f"Starte Batch-Zusammenfassung für {len(valid_tasks)} gültige Texte (Zeilen: {[t['row_num'] for t in valid_tasks]})...") # --- Aggregierten Prompt erstellen --- prompt_parts = [ "Du bist ein KI-Assistent...", # (Rest des Prompts wie gehabt) "RESULTAT : ", "\n--- Texte zur Zusammenfassung ---" ] text_block = "" row_numbers_in_batch = [] # Zeilen, die tatsächlich im Prompt landen # Baue den Textblock ohne interne Längenprüfung zusammen for task in valid_tasks: row_num = task['row_num'] raw_text = task['raw_text'] # Kürzen sollte in get_website_raw passieren, aber zur Sicherheit: raw_text = raw_text[:1500] # Limitiere jeden Text auf max 1500 Zeichen im Prompt entry_text = f"\n--- TEXT Zeile {row_num} ---\n{raw_text}\n--- ENDE TEXT Zeile {row_num} ---\n" text_block += entry_text row_numbers_in_batch.append(row_num) # Füge die Zeilennummer hinzu # --- Interne Längenprüfung ENTFERNT --- # max_chars_per_batch = 15000 # Nicht mehr relevant für die Logik hier # if total_chars + len(entry_text) > max_chars_per_batch: # ENTFERNT # debug_print(f"WARNUNG: ...") # ENTFERNT # continue # ENTFERNT if not row_numbers_in_batch: # Sollte nur passieren, wenn valid_tasks leer war debug_print("Keine Texte im Batch für OpenAI.") return {t['row_num']: "k.A. (Validierungsfehler?)" for t in tasks_data} prompt_parts.append(text_block) prompt_parts.append("--- Ende der Texte ---") prompt_parts.append("Bitte gib NUR die 'RESULTAT : ...' Zeilen zurück.") final_prompt = "\n".join(prompt_parts) # Optional: Token zählen zur Info, aber nicht zur Blockade try: prompt_tokens = token_count(final_prompt) debug_print(f"Geschätzte Prompt-Tokens für Batch: {prompt_tokens} (Limit ca. 4096 für gpt-3.5-turbo)") if prompt_tokens > 3500: # Nur eine Warnung debug_print("WARNUNG: Geschätzte Prompt-Tokens hoch, API könnte Fehler werfen.") except Exception as e_tc: debug_print(f"Fehler beim Token-Zählen: {e_tc}") # --- OpenAI API Call (Die API wirft Fehler bei Token-Limit) --- chat_response = call_openai_chat(final_prompt, temperature=0.2) # --- Antwort parsen (wie gehabt) --- summaries = {row_num: "k.A. (Keine Antwort geparst)" for row_num in row_numbers_in_batch} if chat_response: # ... (Parsing-Logik bleibt gleich) ... lines = chat_response.strip().split('\n'); parsed_count = 0 for line in lines: match = re.match(r"RESULTAT (\d+): (.*)", line.strip()) if match: row_num = int(match.group(1)); summary_text = match.group(2).strip() if row_num in summaries: summaries[row_num] = summary_text; parsed_count += 1 debug_print(f"Batch-Zusammenfassung: {parsed_count} von {len(row_numbers_in_batch)} erfolgreich geparst.") if parsed_count < len(row_numbers_in_batch): debug_print(f"WARNUNG: Nicht alle Zusammenfassungen geparst. Antwort: {chat_response[:500]}...") else: debug_print("Fehler: Keine gültige Antwort von OpenAI für Batch-Zusammenfassung erhalten.") # Wenn der API Call fehlschlägt (z.B. Token Limit), ist chat_response None, # alle summaries bleiben "k.A." # Füge k.A. für Tasks hinzu, die ungültigen Rohtext hatten (aus valid_tasks gefiltert) for task in tasks_data: if task['row_num'] not in summaries: summaries[task['row_num']] = "k.A. (Ungültiger Rohtext o.ä.)" return summaries # ==================== OPENAI / CHATGPT FUNCTIONS ==================== @retry_on_failure def call_openai_chat(prompt, temperature=0.3, model=None): """Zentrale Funktion für OpenAI Chat API Aufrufe.""" if not Config.API_KEYS.get('openai'): debug_print("Fehler: OpenAI API Key nicht konfiguriert.") return None if not prompt: debug_print("Fehler: Leerer Prompt für OpenAI.") return None current_model = model if model else Config.TOKEN_MODEL try: # Token zählen vor dem Senden (optional, aber gut für Debugging) # prompt_tokens = token_count(prompt) # debug_print(f"Sende Prompt an OpenAI ({current_model}, {prompt_tokens} Tokens)...") response = openai.ChatCompletion.create( model=current_model, messages=[{"role": "user", "content": prompt}], temperature=temperature ) result = response.choices[0].message.content.strip() # Token zählen für die Antwort # completion_tokens = token_count(result) # total_tokens = response.usage.total_tokens # debug_print(f"OpenAI Antwort erhalten ({completion_tokens} Completion Tokens, {total_tokens} Gesamt).") return result except openai.error.InvalidRequestError as e: debug_print(f"OpenAI Invalid Request Error: {e}") # Hier könnte man prüfen, ob es am Token Limit liegt if "maximum context length" in str(e): debug_print("Fehler scheint Token Limit zu sein. Prompt evtl. zu lang.") # TODO: Strategie für zu lange Prompts (kürzen, splitten?) return None except openai.error.OpenAIError as e: # Fängt RateLimitError, APIError etc. ab debug_print(f"OpenAI API Fehler: {e}") raise # Fehler weitergeben, damit retry_on_failure greifen kann except Exception as e: debug_print(f"Allgemeiner Fehler bei OpenAI-Aufruf: {e}") raise # Fehler weitergeben def summarize_website_content(raw_text): """Erstellt Zusammenfassung von Website-Rohtext via OpenAI.""" if not raw_text or raw_text == "k.A." or raw_text.strip() == "": return "k.A." # Kürze den Rohtext, falls er sehr lang ist, um Token zu sparen/Limits zu vermeiden max_raw_length = 3000 # Zeichenlimit für den Input der Zusammenfassung if len(raw_text) > max_raw_length: debug_print(f"Kürze Rohtext für Zusammenfassung von {len(raw_text)} auf {max_raw_length} Zeichen.") raw_text = raw_text[:max_raw_length] prompt = ( "Du bist ein KI-Assistent, der Webinhalte analysiert.\n" "Fasse den folgenden Text einer Unternehmenswebsite prägnant zusammen. " "Konzentriere dich auf:\n" "- Haupttätigkeitsfeld 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 Wörter):" ) summary = call_openai_chat(prompt, temperature=0.2) return summary if summary else "k.A." 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 führt einen Fallback auf die (extrahierte) CRM-Kurzform durch, falls der Vorschlag ungültig ist. Args: crm_branche (str): Branche laut CRM (kann noch Präfix 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: Enthält "branch" (die finale, gültige Kurzform oder Fehler), "consistency" ('ok', 'X', 'fallback_crm_valid', 'fallback_invalid') und "justification" (Begründung von ChatGPT oder Fallback-Info). """ # Globale Variablen für Schema und erlaubte Branches verwenden global ALLOWED_TARGET_BRANCHES, TARGET_SCHEMA_STRING # Grundlegende Prüfung: Ist das Schema überhaupt geladen? if not ALLOWED_TARGET_BRANCHES: debug_print("FEHLER in evaluate_branche_chatgpt: Ziel-Branchenschema (ALLOWED_TARGET_BRANCHES) ist leer. Abbruch.") # Gib den CRM-Wert zurück, aber markiere als Fehler return {"branch": crm_branche, "consistency": "error_schema_missing", "justification": "Fehler: Ziel-Schema nicht geladen"} # Erstelle ein Set/Dict der erlaubten Branches in Kleinbuchstaben für effizientes Nachschlagen # Speichert die Originalschreibweise als Wert. allowed_branches_lookup = {b.lower(): b for b in ALLOWED_TARGET_BRANCHES} # --- Prompt für ChatGPT erstellen --- # Beginne mit den Regeln und der Liste der gültigen Kurzformen prompt_parts = [TARGET_SCHEMA_STRING] # TARGET_SCHEMA_STRING sollte bereits die klare Anweisung enthalten prompt_parts.append("\nOrdne das Unternehmen anhand folgender Angaben exakt einer Branche des Ziel-Branchenschemas (Kurzformen) zu:") # Füge nur vorhandene Informationen hinzu und kürze sie ggf. if crm_branche and crm_branche != "k.A.": prompt_parts.append(f"- CRM-Branche (Referenz): {crm_branche}") if beschreibung and beschreibung != "k.A.": prompt_parts.append(f"- Beschreibung: {beschreibung[:500]}") # Kürzen if wiki_branche and wiki_branche != "k.A.": prompt_parts.append(f"- Wikipedia-Branche: {wiki_branche}") if wiki_kategorien and wiki_kategorien != "k.A.": prompt_parts.append(f"- Wikipedia-Kategorien: {wiki_kategorien[:500]}") # Kürzen if website_summary and website_summary != "k.A.": prompt_parts.append(f"- Website-Zusammenfassung: {website_summary[:500]}") # Kürzen # Fallback, wenn gar keine spezifischen Infos da sind if len(prompt_parts) <= 2: debug_print("Warnung in evaluate_branche_chatgpt: Zu wenige Informationen für Branchenevaluierung.") return {"branch": crm_branche, "consistency": "error_no_info", "justification": "Fehler: Zu wenige Informationen für eine Einschätzung"} # Füge die strengen Anweisungen für das Antwortformat hinzu prompt_parts.append("\nWICHTIG: Antworte NUR mit dem exakten Kurznamen einer Branche aus der obigen Liste. Verwende KEINE Präfixe wie 'Hersteller / Produzenten >' oder 'Service provider (Dienstleister) >'.") prompt_parts.append("\nAntworte ausschließlich im folgenden Format (keine Einleitung, kein Schlusssatz):") prompt_parts.append("Branche: ") prompt_parts.append("Übereinstimmung: ") prompt_parts.append("Begründung: ") prompt = "\n".join(prompt_parts) # --- ChatGPT aufrufen --- chat_response = call_openai_chat(prompt, temperature=0.0) # Niedrige Temperatur für konsistente Zuordnung if not chat_response: debug_print("Fehler in evaluate_branche_chatgpt: Keine Antwort von OpenAI erhalten.") return {"branch": crm_branche, "consistency": "error_api_no_response", "justification": "Fehler: Keine Antwort von API"} # --- Antwort parsen --- lines = chat_response.strip().split("\n") result = {"branch": None, "consistency": None, "justification": ""} # Initialisiere mit None suggested_branch = "" for line in lines: line_lower = line.lower() if line_lower.startswith("branche:"): suggested_branch = line.split(":", 1)[1].strip() # Entferne mögliche Anführungszeichen suggested_branch = suggested_branch.strip('"\'') elif line_lower.startswith("übereinstimmung:"): # Wir überschreiben die Konsistenz später basierend auf unserer Logik pass elif line_lower.startswith("begründung:"): result["justification"] = line.split(":", 1)[1].strip() if not suggested_branch: debug_print(f"Fehler in evaluate_branche_chatgpt: Konnte 'Branche:' nicht aus Antwort parsen: {chat_response}") # Optional: Versuche Begründung als Branche zu nehmen? Eher nicht. return {"branch": crm_branche, "consistency": "error_parsing", "justification": f"Fehler: Parsing der API Antwort fehlgeschlagen. Antwort: {chat_response}"} # --- Validierung des ChatGPT-Vorschlags --- final_branch = None suggested_branch_lower = suggested_branch.lower() if suggested_branch_lower in allowed_branches_lookup: final_branch = allowed_branches_lookup[suggested_branch_lower] # Nimm korrekte Schreibweise debug_print(f"ChatGPT-Branchenvorschlag '{suggested_branch}' ist gültig ('{final_branch}').") # Konsistenz wird später gesetzt result["consistency"] = "pending_comparison" # Temporärer Status else: # --- Fallback-Logik --- debug_print(f"ChatGPT-Branchenvorschlag '{suggested_branch}' ist NICHT im Ziel-Schema ({len(ALLOWED_TARGET_BRANCHES)} Einträge) enthalten. Starte Fallback...") # Versuche Kurzform aus CRM-Branche zu extrahieren crm_short_branch = "k.A." if crm_branche and ">" in crm_branche: crm_short_branch = crm_branche.split(">", 1)[1].strip() elif crm_branche and crm_branche != "k.A.": # Wenn CRM schon Kurzform sein könnte crm_short_branch = crm_branche.strip() # Prüfe, ob die extrahierte CRM-Kurzform gültig ist 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 Begründung (falls vorhanden) mit Fallback-Info fallback_reason = f"Fallback: Ungültiger ChatGPT-Vorschlag ('{suggested_branch}'). Gültige CRM-Kurzform '{final_branch}' verwendet." result["justification"] = f"{fallback_reason} (ChatGPT Begründung war: {result.get('justification', 'Keine')})" debug_print(f"Fallback auf gültige CRM-Kurzform erfolgreich: '{final_branch}'") else: # Wenn auch CRM-Kurzform ungültig oder nicht extrahierbar final_branch = suggested_branch # Behalte ungültigen Vorschlag result["consistency"] = "fallback_invalid" # Setze Fehler-Fallback-Status error_reason = f"Fehler: Ungültiger ChatGPT-Vorschlag ('{suggested_branch}') und keine gültige CRM-Kurzform ('{crm_short_branch}') als Fallback verfügbar." result["justification"] = f"{error_reason} (ChatGPT Begründung war: {result.get('justification', 'Keine')})" debug_print(f"Fallback fehlgeschlagen. Ungültiger Vorschlag: '{final_branch}', Ungültige CRM-Kurzform: '{crm_short_branch}'") # Alternativ: Gib einen speziellen Fehlerwert zurück # final_branch = "FEHLER - UNGÜLTIGE ZUWEISUNG" # Setze den finalen Branch im Ergebnis-Dictionary result["branch"] = final_branch if final_branch else "FEHLER" # --- Konsistenzprüfung (Finale Bewertung) --- # Extrahiere CRM-Kurzform für den Vergleich (erneut oder Variable von oben) crm_short_to_compare = "k.A." if crm_branche and ">" in crm_branche: crm_short_to_compare = crm_branche.split(">", 1)[1].strip() elif crm_branche and crm_branche != "k.A.": crm_short_to_compare = crm_branche.strip() # Vergleiche finalen Branch (falls nicht FEHLER) mit CRM-Kurzform (case-insensitive) if result["branch"] != "FEHLER" and result["branch"].lower() == crm_short_to_compare.lower(): # Wenn sie übereinstimmen UND *kein* Fallback stattgefunden hat, ist es 'ok'. if result["consistency"] == "pending_comparison": result["consistency"] = "ok" # Wenn Fallback auf gültige CRM stattfand (Status 'fallback_crm_valid'), bleibt dieser Status. elif result["consistency"] == "pending_comparison": # Wenn sie nicht übereinstimmen und kein Fallback stattfand, ist es 'X'. result["consistency"] = "X" # Wenn der Status bereits 'fallback_crm_valid' oder 'fallback_invalid' ist, bleibt er unverändert. elif result["consistency"] is None: # Sollte nicht passieren, aber zur Sicherheit result["consistency"] = "error_unknown_state" # Entferne den temporären Status, falls er noch da ist if result["consistency"] == "pending_comparison": result["consistency"] = "error_comparison_failed" # Debug-Ausgabe des finalen Ergebnisses vor Rückgabe debug_print(f"Finale Branch-Evaluation: {result}") return result # TODO: Weitere ChatGPT-Funktionen (evaluate_fsm_suitability, etc.) analog überarbeiten: # - Prompts verbessern (klarere Anweisungen, Kontext nur bei Bedarf) # - call_openai_chat verwenden # - Parsing der Antworten robuster machen def process_wiki_verification(crm_data, wiki_data_str): # Platzhalter - Implementierung anpassen oder entfernen, falls durch _process_batch abgedeckt debug_print(f"TODO: process_wiki_verification aufrufen/implementieren für {crm_data}") return "k.A. (Not Implemented)" def evaluate_fsm_suitability(company_name, company_data): # Platzhalter - Implementierung anpassen debug_print(f"TODO: evaluate_fsm_suitability aufrufen/implementieren für {company_name}") return {"suitability": "k.A.", "justification": "Not Implemented"} def evaluate_servicetechnicians_estimate(company_name, company_data): # Platzhalter - Implementierung anpassen debug_print(f"TODO: evaluate_servicetechnicians_estimate aufrufen/implementieren für {company_name}") return "k.A. (Not Implemented)" def map_internal_technicians(value): # Platzhalter - Implementierung anpassen debug_print(f"TODO: map_internal_technicians aufrufen/implementieren für {value}") return "k.A. (Not Implemented)" def evaluate_servicetechnicians_explanation(company_name, st_estimate, company_data): # Platzhalter - Implementierung anpassen debug_print(f"TODO: evaluate_servicetechnicians_explanation aufrufen/implementieren für {company_name}") return "k.A. (Not Implemented)" def process_employee_estimation(company_name, wiki_paragraph, crm_employee): # Platzhalter - Implementierung anpassen debug_print(f"TODO: process_employee_estimation aufrufen/implementieren für {company_name}") return "k.A. (Not Implemented)" def process_employee_consistency(crm_employee, wiki_employee, emp_estimate): # Platzhalter - Implementierung anpassen debug_print(f"TODO: process_employee_consistency aufrufen/implementieren für {crm_employee} vs {wiki_employee} vs {emp_estimate}") return "k.A. (Not Implemented)" def evaluate_umsatz_chatgpt(company_name, wiki_umsatz): # Platzhalter - Implementierung anpassen debug_print(f"TODO: evaluate_umsatz_chatgpt aufrufen/implementieren für {company_name}") return "k.A. (Not Implemented)" # ==================== BATCH PROCESSING FUNCTIONS ==================== def _process_batch(sheet, batches, row_numbers): """ Hilfsfunktion für process_verification_only: Verarbeitet einen Batch von Wikipedia-Verifizierungsanfragen. Aktualisiert NUR die Spalten S bis Y. Zeitstempel (AN, AO, AP) werden von der aufrufenden Funktion oder anderen Prozessen gesetzt. Args: sheet (gspread.Worksheet): Das Worksheet-Objekt zum Schreiben. batches (list): Liste der Prompt-Teile für den Batch. row_numbers (list): Liste der zugehörigen Zeilennummern. """ if not batches: return # --- Prompt Erstellung (wie gehabt) --- aggregated_prompt = ( "Du bist ein Experte in der Verifizierung von Wikipedia-Artikeln für Unternehmen. " "Für jeden der folgenden Einträge prüfe, ob der vorhandene Wikipedia-Artikel (URL, Absatz, Kategorien) plausibel zum Firmennamen und zur Beschreibung passt. " "Gib das Ergebnis für jeden Eintrag ausschließlich im folgenden Format auf einer neuen Zeile aus:\n" "Eintrag : \n\n" "Mögliche Antworten:\n" "- 'OK' (wenn der Artikel gut passt)\n" "- 'X | Alternativer Artikel: | Begründung: ' (wenn der Artikel nicht passt, aber ein besserer gefunden wurde)\n" "- 'X | Kein passender Artikel gefunden | Begründung: ' (wenn der Artikel nicht passt und kein besserer gefunden wurde)\n" "- 'Kein Wikipedia-Eintrag vorhanden.' (wenn initial keine URL angegeben wurde und keine Suche erfolgreich war)\n\n" "Einträge:\n" "----------\n" ) aggregated_prompt += "".join(batches) # Join ohne zusätzliches \n aggregated_prompt += "----------\nBitte nur die 'Eintrag X: Antwort'-Zeilen ausgeben." debug_print(f"Verarbeite Verifizierungs-Batch für Zeilen {row_numbers[0]} bis {row_numbers[-1]} (nur S-Y)...") # Hinweis angepasst # Token Count für den Prompt prompt_tokens = token_count(aggregated_prompt) debug_print(f"Token-Zahl für Verifizierungs-Batch: {prompt_tokens}") # --- ChatGPT Aufruf (wie gehabt) --- chat_response = call_openai_chat(aggregated_prompt, temperature=0.0) if not chat_response: debug_print(f"Fehler: Keine Antwort von OpenAI für Verifizierungs-Batch {row_numbers[0]}-{row_numbers[-1]}.") return # --- Antwort parsen (wie gehabt) --- answers = {} lines = chat_response.strip().split('\n') for line in lines: match = re.match(r"Eintrag (\d+): (.*)", line.strip()) if match: row_num = int(match.group(1)) answer_text = match.group(2).strip() if row_num in row_numbers: answers[row_num] = answer_text # else: # Weniger Lärm im Log # debug_print(f"Warnung: Antwort für unerwartete Zeilennummer {row_num} im Batch erhalten: {answer_text}") # --- Batch-Update vorbereiten (NUR S bis Y) --- updates = [] # Timestamps und Version werden HIER NICHT mehr hinzugefügt for row_num in row_numbers: answer = answers.get(row_num, "k.A. (Keine Antwort im Batch)") # Fallback # Variablen für die Spalten S-Y initialisieren wiki_confirm = "" # Spalte S alt_article = "" # Spalte T wiki_explanation = "" # Spalte U v_val, w_val, x_val, y_val = "", "", "", "" # Spalten V-Y # Logik zur Bestimmung der Werte für S, T, U basierend auf 'answer' (wie gehabt) if answer.upper() == "OK": wiki_confirm = "OK" elif answer.upper() == "KEIN WIKIPEDIA-EINTRAG VORHANDEN.": wiki_confirm = "X" alt_article = "Kein Wikipedia-Eintrag vorhanden." wiki_explanation = "Ursprünglich keine URL oder Suche erfolglos." elif answer.startswith("X |"): parts = answer.split("|", 2) wiki_confirm = "X" if len(parts) > 1: detail = parts[1].strip() if detail.startswith("Alternativer Artikel:"): alt_article = detail.split(":", 1)[1].strip() elif detail == "Kein passender Artikel gefunden": alt_article = detail else: alt_article = detail if len(parts) > 2: reason_part = parts[2].strip() if reason_part.startswith("Begründung:"): wiki_explanation = reason_part.split(":", 1)[1].strip() else: wiki_explanation = reason_part else: # Unerwartetes Format wiki_confirm = "?" wiki_explanation = f"Unerwartetes Format: {answer}" # Füge Updates NUR für S-Y zur Liste hinzu updates.append({'range': f'S{row_num}', 'values': [[wiki_confirm]]}) updates.append({'range': f'T{row_num}', 'values': [[alt_article]]}) updates.append({'range': f'U{row_num}', 'values': [[wiki_explanation]]}) updates.append({'range': f'V{row_num}:Y{row_num}', 'values': [[v_val, w_val, x_val, y_val]]}) # --- Führe das Batch-Update für S-Y durch --- if updates: try: # Verwende das übergebene sheet-Objekt direkt sheet.batch_update(updates, value_input_option='USER_ENTERED') debug_print(f"Verifizierungs-Batch {row_numbers[0]}-{row_numbers[-1]} (S-Y) erfolgreich in Google Sheet aktualisiert.") except Exception as e: # Gib eine spezifischere Fehlermeldung aus debug_print(f"FEHLER beim Batch-Update (S-Y) für Zeilen {row_numbers[0]}-{row_numbers[-1]}: {type(e).__name__} - {e}") # Optional: Fehler weitergeben, wenn retry gewünscht wird (nicht empfohlen für Sheet-Updates hier) # raise e else: debug_print(f"Keine Updates (S-Y) für Verifizierungs-Batch {row_numbers[0]}-{row_numbers[-1]} generiert.") # KEINE Pause hier mehr, wird in der aufrufenden Funktion gemacht # time.sleep(Config.RETRY_DELAY) def process_verification_only(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet): """ Batch-Prozess nur für Wikipedia-Verifizierung (Spalten S-Y). Lädt Daten neu, prüft für jede Zeile im Bereich, ob Timestamp AX (Wiki Verif.) bereits gesetzt ist, und überspringt diese ggf. Setzt AX für bearbeitete Zeilen. AN wird hier *nicht* mehr gesetzt, das muss ggf. _process_single_row tun. """ debug_print(f"Starte Wikipedia-Verifizierungsmodus (Batch) für Zeilen {start_row_index_in_sheet} bis {end_row_index_in_sheet}...") if not sheet_handler.load_data(): debug_print("FEHLER beim Laden der Daten in process_verification_only.") return all_data = sheet_handler.get_all_data_with_headers() if not all_data or len(all_data) <= 5: debug_print("FEHLER/WARNUNG: Keine Daten zum Verarbeiten in process_verification_only gefunden.") return # Hole Index für AX Timestamp (Wiki Verif.) timestamp_col_key = "Wiki Verif. Timestamp" # NEUER SCHLÜSSEL timestamp_col_index = COLUMN_MAP.get(timestamp_col_key) ts_col_letter = sheet_handler._get_col_letter(timestamp_col_index + 1) if timestamp_col_index is not None else "AX_FEHLER" if timestamp_col_index is None: debug_print(f"FEHLER: Spaltenschlüssel '{timestamp_col_key}' nicht in COLUMN_MAP gefunden. Breche Wiki-Verifizierung ab.") return batch_size = Config.BATCH_SIZE current_batch = [] current_row_numbers = [] processed_count = 0 skipped_count = 0 for i in range(start_row_index_in_sheet, end_row_index_in_sheet + 1): row_index_in_list = i - 1 if row_index_in_list >= len(all_data): continue row = all_data[row_index_in_list] # --- Timestamp-Prüfung für jede Zeile (AX) --- ts_value_ax = "INDEX_FEHLER" ts_ax_is_set = False if len(row) > timestamp_col_index: ts_value_ax = row[timestamp_col_index] ts_ax_is_set = bool(str(ts_value_ax).strip()) log_debug = (i < start_row_index_in_sheet + 5 or i > end_row_index_in_sheet - 5 or i % 500 == 0 or i in range(2122, 2132)) if log_debug: debug_print(f"Zeile {i} (Wiki Verif. Check): Prüfe Timestamp {ts_col_letter} (Index {timestamp_col_index}). Rohwert='{ts_value_ax}', Strip='{str(ts_value_ax).strip()}', Überspringen? -> {ts_ax_is_set}") if ts_ax_is_set: skipped_count += 1 continue # --- Ende Timestamp-Prüfung --- # Nur wenn AX leer ist, wird die Zeile für den Batch vorbereitet company_name = row[COLUMN_MAP.get("CRM Name", 1)] if len(row) > COLUMN_MAP.get("CRM Name", 1) else '' crm_desc = row[COLUMN_MAP.get("CRM Beschreibung", 5)] if len(row) > COLUMN_MAP.get("CRM Beschreibung", 5) else '' wiki_url_idx = COLUMN_MAP.get("Wiki URL") wiki_url = row[wiki_url_idx] if wiki_url_idx is not None and len(row) > wiki_url_idx and row[wiki_url_idx].strip() not in ['', 'k.A.'] else 'k.A.' wiki_para_idx = COLUMN_MAP.get("Wiki Absatz") wiki_paragraph = row[wiki_para_idx] if wiki_para_idx is not None and len(row) > wiki_para_idx else 'k.A.' wiki_cat_idx = COLUMN_MAP.get("Wiki Kategorien") wiki_categories = row[wiki_cat_idx] if wiki_cat_idx is not None and len(row) > wiki_cat_idx else 'k.A.' entry_text = ( f"Eintrag {i}:\n" f" Firmenname: {company_name}\n" f" CRM-Beschreibung: {crm_desc[:200]}...\n" f" Wikipedia-URL: {wiki_url}\n" f" Wiki-Absatz: {wiki_paragraph[:200]}...\n" f" Wiki-Kategorien: {wiki_categories[:200]}...\n" f"----\n" ) current_batch.append(entry_text) current_row_numbers.append(i) processed_count += 1 if len(current_batch) >= batch_size or i == end_row_index_in_sheet: if current_batch: # Rufe _process_batch auf (schreibt S-Y) _process_batch(sheet_handler.sheet, current_batch, current_row_numbers) # Setze den AX Timestamp für die bearbeiteten Zeilen wiki_ts_updates = [] current_wiki_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") for row_num in current_row_numbers: wiki_ts_updates.append({'range': f'{ts_col_letter}{row_num}', 'values': [[current_wiki_timestamp]]}) if wiki_ts_updates: success_ts = sheet_handler.batch_update_cells(wiki_ts_updates) if success_ts: debug_print(f"Wiki Verif. Timestamp {ts_col_letter} für Batch {current_row_numbers[0]}-{current_row_numbers[-1]} gesetzt.") else: debug_print(f"FEHLER beim Setzen des Wiki Verif. Timestamps {ts_col_letter} für Batch.") time.sleep(Config.RETRY_DELAY) current_batch = [] current_row_numbers = [] debug_print(f"Wikipedia-Verifizierungs-Batch abgeschlossen. {processed_count} Zeilen zur Verarbeitung weitergegeben, {skipped_count} Zeilen übersprungen.") # Anpassung in _process_batch: Setzt jetzt *nicht* mehr AO/AP, sondern nur S-Y def _process_batch(sheet, batches, row_numbers): """ Hilfsfunktion für process_verification_only: Verarbeitet einen Batch von Wikipedia-Verifizierungsanfragen. Aktualisiert NUR die Spalten S bis Y. Zeitstempel werden von der aufrufenden Funktion gesetzt. """ if not batches: return # (Prompt Erstellung wie gehabt) aggregated_prompt = ( "Du bist ein Experte in der Verifizierung von Wikipedia-Artikeln für Unternehmen. " "Für jeden der folgenden Einträge prüfe, ob der vorhandene Wikipedia-Artikel (URL, Absatz, Kategorien) plausibel zum Firmennamen und zur Beschreibung passt. " "Gib das Ergebnis für jeden Eintrag ausschließlich im folgenden Format auf einer neuen Zeile aus:\n" "Eintrag : \n\n" "Mögliche Antworten:\n" "- 'OK' (wenn der Artikel gut passt)\n" "- 'X | Alternativer Artikel: | Begründung: ' (wenn der Artikel nicht passt, aber ein besserer gefunden wurde)\n" "- 'X | Kein passender Artikel gefunden | Begründung: ' (wenn der Artikel nicht passt und kein besserer gefunden wurde)\n" "- 'Kein Wikipedia-Eintrag vorhanden.' (wenn initial keine URL angegeben wurde und keine Suche erfolgreich war - dieser Fall sollte selten sein, da die Suche vorher stattfindet)\n\n" "Einträge:\n" "----------\n" ) aggregated_prompt += "".join(batches) aggregated_prompt += "----------\nBitte nur die 'Eintrag X: Antwort'-Zeilen ausgeben." debug_print(f"Verarbeite Verifizierungs-Batch für Zeilen {row_numbers[0]} bis {row_numbers[-1]}.") prompt_tokens = token_count(aggregated_prompt) debug_print(f"Token-Zahl für Verifizierungs-Batch: {prompt_tokens}") chat_response = call_openai_chat(aggregated_prompt, temperature=0.0) if not chat_response: debug_print(f"Fehler: Keine Antwort von OpenAI für Verifizierungs-Batch {row_numbers[0]}-{row_numbers[-1]}.") return # Parse die aggregierte Antwort (wie gehabt) answers = {} lines = chat_response.strip().split('\n') for line in lines: match = re.match(r"Eintrag (\d+): (.*)", line.strip()) if match: row_num = int(match.group(1)) answer_text = match.group(2).strip() if row_num in row_numbers: answers[row_num] = answer_text # Bereite Batch-Update nur für Spalten S-Y vor updates = [] # current_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") # Nicht mehr hier # current_version = Config.VERSION # Nicht mehr hier for row_num in row_numbers: answer = answers.get(row_num, "k.A. (Keine Antwort im Batch)") # debug_print(f"Zeile {row_num} Verifizierungsantwort: '{answer}'") # Optional weniger Lärm wiki_confirm, alt_article, wiki_explanation = "", "", "" v_val, w_val, x_val, y_val = "", "", "", "" if answer.upper() == "OK": wiki_confirm = "OK" elif answer.upper() == "KEIN WIKIPEDIA-EINTRAG VORHANDEN.": wiki_confirm, alt_article, wiki_explanation = "X", "Kein Wikipedia-Eintrag vorhanden.", "Ursprünglich keine URL oder Suche erfolglos." elif answer.startswith("X |"): parts = answer.split("|", 2) wiki_confirm = "X" if len(parts) > 1: detail = parts[1].strip() if detail.startswith("Alternativer Artikel:"): alt_article = detail.split(":", 1)[1].strip() elif detail == "Kein passender Artikel gefunden": alt_article = detail else: alt_article = detail if len(parts) > 2: reason_part = parts[2].strip() if reason_part.startswith("Begründung:"): wiki_explanation = reason_part.split(":", 1)[1].strip() else: wiki_explanation = reason_part else: wiki_confirm, wiki_explanation = "?", f"Unerwartetes Format: {answer}" # Füge Updates für S-Y hinzu updates.append({'range': f'S{row_num}', 'values': [[wiki_confirm]]}) updates.append({'range': f'T{row_num}', 'values': [[alt_article]]}) updates.append({'range': f'U{row_num}', 'values': [[wiki_explanation]]}) updates.append({'range': f'V{row_num}:Y{row_num}', 'values': [[v_val, w_val, x_val, y_val]]}) # Führe das Batch-Update für S-Y durch if updates: # Direkten Sheet-Zugriff nutzen, da sheet übergeben wird try: sheet.batch_update(updates) debug_print(f"Verifizierungs-Batch {row_numbers[0]}-{row_numbers[-1]} (S-Y) erfolgreich in Google Sheet aktualisiert.") except Exception as e: debug_print(f"FEHLER beim Batch-Update (S-Y) für Batch {row_numbers[0]}-{row_numbers[-1]}: {e}") else: debug_print(f"Keine Updates (S-Y) für Verifizierungs-Batch {row_numbers[0]}-{row_numbers[-1]} generiert.") # Kurze Pause nach jedem Batch-API-Call (jetzt in der aufrufenden Funktion) # time.sleep(Config.RETRY_DELAY) # Entfernt # Komplette Funktion process_website_batch (prüft jetzt Timestamp AT mit erzwungenem Debugging) # Komplette Funktion process_website_batch (MIT Batched Google Sheet Updates) # Komplette Funktion process_website_batch (NEUE STRUKTUR - ECHTER BATCH WORKFLOW) # Komplette Funktion process_website_batch (NUR SCRAPING) # Komplette Funktion process_website_batch (Korrigierte Config-Referenzen) def process_website_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet): """ Batch-Prozess NUR für Website-Scraping (Rohtext AR). Lädt Daten neu, prüft Spalte AR auf Inhalt ('', 'k.A.', etc.) und überspringt Zeilen mit Inhalt. Setzt AR + AP für bearbeitete Zeilen. Sendet Updates gebündelt. """ debug_print(f"Starte Website-Scraping NUR ROHDATEN (Batch) für Zeilen {start_row_index_in_sheet} bis {end_row_index_in_sheet}...") # --- Lade Daten --- if not sheet_handler.load_data(): return all_data = sheet_handler.get_all_data_with_headers() if not all_data or len(all_data) <= 5: return header_rows = 5 # --- Indizes und Buchstaben --- rohtext_col_key = "Website Rohtext" rohtext_col_index = COLUMN_MAP.get(rohtext_col_key) website_col_idx = COLUMN_MAP.get("CRM Website") version_col_idx = COLUMN_MAP.get("Version") if None in [rohtext_col_index, website_col_idx, version_col_idx]: debug_print(f"FEHLER: Benötigte Indizes für process_website_batch fehlen.") return rohtext_col_letter = sheet_handler._get_col_letter(rohtext_col_index + 1) version_col_letter = sheet_handler._get_col_letter(version_col_idx + 1) # --- Worker-Funktion für Scraping (unverändert) --- def scrape_raw_text_task(task_info): row_num = task_info['row_num']; url = task_info['url']; raw_text = "k.A."; error = None try: raw_text = get_website_raw(url) # Annahme: get_website_raw ist definiert except Exception as e: error = f"Scraping Fehler Zeile {row_num}: {e}"; debug_print(error) return {"row_num": row_num, "raw_text": raw_text, "error": error} # --- Hauptlogik: Iteriere und sammle Batches --- tasks_for_processing_batch = [] all_sheet_updates = [] total_processed_count = 0 total_skipped_count = 0 total_skipped_url_count = 0 total_error_count = 0 # Werte aus Config holen processing_batch_size = Config.PROCESSING_BATCH_SIZE max_scraping_workers = Config.MAX_SCRAPING_WORKERS update_batch_row_limit = Config.UPDATE_BATCH_ROW_LIMIT empty_values_for_skip = ["", "k.a.", "k.a. (nur cookie-banner erkannt)", "k.a. (fehler)"] for i in range(start_row_index_in_sheet, end_row_index_in_sheet + 1): row_index_in_list = i - 1 if row_index_in_list >= len(all_data): continue row = all_data[row_index_in_list] # --- Prüfung, ob AR schon Inhalt hat --- should_skip = False cell_value_ar_str_lower = "INDEX_FEHLER" if len(row) > rohtext_col_index: cell_value_ar_str_lower = str(row[rohtext_col_index]).strip().lower() if cell_value_ar_str_lower not in empty_values_for_skip: should_skip = True log_debug = (i < start_row_index_in_sheet + 5 or i > end_row_index_in_sheet - 5 or i % 500 == 0) if log_debug: debug_print(f"Zeile {i} (Website AR Check): Prüfe Inhalt Spalte {rohtext_col_letter}. Wert='{cell_value_ar_str_lower}'. Überspringen (da schon Inhalt)? -> {should_skip}") if should_skip: total_skipped_count += 1 continue # --- Ende AR Prüfung --- # URL Prüfung website_url = row[website_col_idx] if len(row) > website_col_idx else "" if not website_url or website_url.strip().lower() == "k.a.": total_skipped_url_count += 1 continue tasks_for_processing_batch.append({"row_num": i, "url": website_url}) # --- Verarbeitungs-Batch ausführen --- if len(tasks_for_processing_batch) >= processing_batch_size or i == end_row_index_in_sheet: if tasks_for_processing_batch: batch_start_row = tasks_for_processing_batch[0]['row_num'] batch_end_row = tasks_for_processing_batch[-1]['row_num'] batch_task_count = len(tasks_for_processing_batch) debug_print(f"\n--- Starte Scraping-Batch ({batch_task_count} Tasks, Zeilen {batch_start_row}-{batch_end_row}) ---") scraping_results = {} batch_error_count = 0 # Fehlerzähler für diesen spezifischen Batch debug_print(f" Scrape {batch_task_count} Websites parallel (max {max_scraping_workers} worker)...") with concurrent.futures.ThreadPoolExecutor(max_workers=max_scraping_workers) as executor: future_to_task = {executor.submit(scrape_raw_text_task, task): task for task in tasks_for_processing_batch} for future in concurrent.futures.as_completed(future_to_task): task = future_to_task[future] # --- KORRIGIERTER TRY-EXCEPT Block --- try: result = future.result() scraping_results[result['row_num']] = result['raw_text'] if result['error']: batch_error_count += 1 total_error_count += 1 except Exception as exc: row_num = task['row_num'] err_msg = f"Generischer Fehler Scraping Task Zeile {row_num}: {exc}" debug_print(err_msg) scraping_results[row_num] = "k.A. (Fehler)" batch_error_count += 1 total_error_count +=1 # --- Ende Korrektur --- current_batch_processed_count = len(scraping_results) # Anzahl Ergebnisse (inkl. Fehler) total_processed_count += current_batch_processed_count debug_print(f" Scraping für Batch beendet. {current_batch_processed_count} Ergebnisse erhalten ({batch_error_count} Fehler in diesem Batch).") # Sheet Updates vorbereiten (AR und AP) if scraping_results: current_version = Config.VERSION batch_sheet_updates = [] for row_num, raw_text_res in scraping_results.items(): # Updates für AR und AP row_updates = [ {'range': f'{rohtext_col_letter}{row_num}', 'values': [[raw_text_res]]}, {'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]} ] batch_sheet_updates.extend(row_updates) all_sheet_updates.extend(batch_sheet_updates) # Sammle für größeren Batch-Update tasks_for_processing_batch = [] # Batch leeren # Sheet Updates senden (wenn update_batch_row_limit erreicht) # Prüfe die Anzahl der *Zeilen*, für die Updates gesammelt wurden # Da wir jetzt Updates für alle Ergebnisse sammeln, prüfen wir direkt die Länge von all_sheet_updates if len(all_sheet_updates) >= update_batch_row_limit * 2: # *2 weil 2 Updates pro Zeile debug_print(f" Sende gesammelte Sheet-Updates ({len(all_sheet_updates)} Zellen)...") success = sheet_handler.batch_update_cells(all_sheet_updates) if success: debug_print(f" Sheet-Update bis Zeile {batch_end_row} erfolgreich.") # Logge Endzeile des Batches else: debug_print(f" FEHLER beim Sheet-Update bis Zeile {batch_end_row}.") all_sheet_updates = [] # Zurücksetzen nach Senden # Finale Sheet Updates senden if all_sheet_updates: debug_print(f"Sende finale Sheet-Updates ({len(all_sheet_updates)} Zellen)...") sheet_handler.batch_update_cells(all_sheet_updates) debug_print(f"Website-Scraping NUR ROHDATEN abgeschlossen. {total_processed_count} Websites verarbeitet (inkl. Fehler), {total_error_count} Fehler, {total_skipped_count} Zeilen wg. Inhalt übersprungen, {total_skipped_url_count} Zeilen ohne URL übersprungen.") # NEUE Funktion process_website_summarization_batch def process_website_summarization_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet): """ Batch-Prozess NUR für Website-Zusammenfassung (AS). Lädt Daten neu, prüft, ob Rohtext (AR) vorhanden und Zusammenfassung (AS) fehlt. Fasst Rohtexte im Batch via OpenAI zusammen und setzt AS + AP. """ debug_print(f"Starte Website-Zusammenfassung (OpenAI Batch) für Zeilen {start_row_index_in_sheet} bis {end_row_index_in_sheet}...") # --- Konfiguration --- openai_batch_size = Config.OPENAI_BATCH_SIZE_LIMIT # Holt Wert aus Config (jetzt z.B. 1) update_batch_row_limit = Config.UPDATE_BATCH_ROW_LIMIT # z.B. 50 # --- Lade Daten --- if not sheet_handler.load_data(): return all_data = sheet_handler.get_all_data_with_headers() if not all_data or len(all_data) <= 5: return header_rows = 5 # --- Indizes und Buchstaben --- rohtext_col_idx = COLUMN_MAP.get("Website Rohtext") summary_col_idx = COLUMN_MAP.get("Website Zusammenfassung") version_col_idx = COLUMN_MAP.get("Version") if None in [rohtext_col_idx, summary_col_idx, version_col_idx]: return debug_print(f"FEHLER: Indizes fehlen.") summary_col_letter = sheet_handler._get_col_letter(summary_col_idx + 1) version_col_letter = sheet_handler._get_col_letter(version_col_idx + 1) # --- Verarbeitung --- tasks_for_openai_batch = [] all_sheet_updates = [] rows_in_current_update_batch = 0 processed_count = 0 skipped_no_rohtext = 0 skipped_summary_exists = 0 for i in range(start_row_index_in_sheet, end_row_index_in_sheet + 1): row_index_in_list = i - 1 if row_index_in_list >= len(all_data): continue row = all_data[row_index_in_list] # Prüfung 1: Ist Rohtext vorhanden und gültig? raw_text = "" if len(row) > rohtext_col_idx: raw_text = str(row[rohtext_col_idx]).strip() if not raw_text or raw_text == "k.A." or raw_text == "k.A. (Nur Cookie-Banner erkannt)" or raw_text == "k.A. (Fehler)": skipped_no_rohtext += 1; continue # Prüfung 2: Fehlt die Zusammenfassung (AS)? summary_exists = False if len(row) > summary_col_idx and str(row[summary_col_idx]).strip() and str(row[summary_col_idx]).strip() != "k.A.": summary_exists = True if summary_exists: skipped_summary_exists += 1; continue # Task hinzufügen tasks_for_openai_batch.append({'row_num': i, 'raw_text': raw_text}) processed_count += 1 # --- OpenAI Batch verarbeiten, wenn voll oder letzte Zeile --- if tasks_for_openai_batch and \ (len(tasks_for_openai_batch) >= openai_batch_size or (processed_count > 0 and i == end_row_index_in_sheet)): debug_print(f" Verarbeite OpenAI Batch für {len(tasks_for_openai_batch)} Aufgaben (Start: {tasks_for_openai_batch[0]['row_num']})...") summaries_result = summarize_batch_openai(tasks_for_openai_batch) # Ruft modifizierte Funktion auf # Sheet Updates für diesen OpenAI Batch vorbereiten current_version = Config.VERSION for task in tasks_for_openai_batch: # Iteriere über die *gesendeten* Tasks row_num = task['row_num'] summary = summaries_result.get(row_num, "k.A. (Fehler Batch Zuordnung)") row_updates = [ {'range': f'{summary_col_letter}{row_num}', 'values': [[summary]]}, {'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]} ] all_sheet_updates.extend(row_updates) rows_in_current_update_batch += 1 tasks_for_openai_batch = [] # OpenAI Batch leeren # --- Gesammelte Sheet Updates senden --- if all_sheet_updates and \ (rows_in_current_update_batch >= update_batch_row_limit or (processed_count > 0 and i == end_row_index_in_sheet)): debug_print(f" Sende Sheet-Update für {rows_in_current_update_batch} Zusammenfassungen...") success = sheet_handler.batch_update_cells(all_sheet_updates) if success: debug_print(f" Sheet-Update bis Zeile {i} erfolgreich.") else: debug_print(f" FEHLER beim Sheet-Update bis Zeile {i}.") all_sheet_updates = []; rows_in_current_update_batch = 0 # Letzten Sheet Update Batch senden if all_sheet_updates: debug_print(f"Sende LETZTES Sheet-Update für {rows_in_current_update_batch} Zusammenfassungen...") sheet_handler.batch_update_cells(all_sheet_updates) debug_print(f"Website-Zusammenfassungs-Batch abgeschlossen. {processed_count} Zusammenfassungen angefordert, {skipped_no_rohtext} wg. fehlendem Rohtext übersprungen, {skipped_summary_exists} wg. vorhandener Zusammenfassung übersprungen.") # Komplette Funktion process_branch_batch (prüft jetzt Timestamp AO mit erzwungenem Debugging) # Komplette Funktion process_branch_batch (MIT Korrektur und Prüfung auf AO) def process_branch_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet): """ Batch-Prozess für Brancheneinschätzung mit paralleler Verarbeitung via Threads. Prüft Timestamp AO, führt evaluate_branche_chatgpt parallel aus (limitiert), setzt W, X, Y, AO + AP und sendet Sheet-Updates GEBÜNDELT PRO VERARBEITUNGS-BATCH. """ debug_print(f"Starte Brancheneinschätzung (Parallel Batch) für Zeilen {start_row_index_in_sheet} bis {end_row_index_in_sheet}...") if not sheet_handler.load_data(): return all_data = sheet_handler.get_all_data_with_headers() if not all_data or len(all_data) <= 5: return header_rows = 5 # --- Indizes und Buchstaben --- timestamp_col_key = "Timestamp letzte Prüfung"; timestamp_col_index = COLUMN_MAP.get(timestamp_col_key) branche_crm_idx = COLUMN_MAP.get("CRM Branche"); beschreibung_idx = COLUMN_MAP.get("CRM Beschreibung") branche_wiki_idx = COLUMN_MAP.get("Wiki Branche"); kategorien_wiki_idx = COLUMN_MAP.get("Wiki Kategorien") summary_web_idx = COLUMN_MAP.get("Website Zusammenfassung"); version_col_idx = COLUMN_MAP.get("Version") branch_w_idx = COLUMN_MAP.get("Chat Vorschlag Branche"); branch_x_idx = COLUMN_MAP.get("Chat Konsistenz Branche") branch_y_idx = COLUMN_MAP.get("Chat Begründung Abweichung Branche") required_indices = [timestamp_col_index, branche_crm_idx, beschreibung_idx, branche_wiki_idx, kategorien_wiki_idx, summary_web_idx, version_col_idx, branch_w_idx, branch_x_idx, branch_y_idx] if None in required_indices: return debug_print(f"FEHLER: Indizes fehlen.") ts_col_letter = sheet_handler._get_col_letter(timestamp_col_index + 1) version_col_letter = sheet_handler._get_col_letter(version_col_idx + 1) branch_w_letter = sheet_handler._get_col_letter(branch_w_idx + 1) branch_x_letter = sheet_handler._get_col_letter(branch_x_idx + 1) branch_y_letter = sheet_handler._get_col_letter(branch_y_idx + 1) # --- Konfiguration --- MAX_BRANCH_WORKERS = Config.MAX_BRANCH_WORKERS OPENAI_CONCURRENCY_LIMIT = Config.OPENAI_CONCURRENCY_LIMIT openai_semaphore_branch = threading.Semaphore(OPENAI_CONCURRENCY_LIMIT) PROCESSING_BRANCH_BATCH_SIZE = Config.PROCESSING_BRANCH_BATCH_SIZE update_batch_row_limit = Config.UPDATE_BATCH_ROW_LIMIT # Wird derzeit nicht verwendet, da wir pro Batch senden # --- Worker Funktion --- def evaluate_branch_task(task_data): row_num = task_data['row_num']; result = {"branch": "k.A. (Fehler Task)", "consistency": "error", "justification": "Fehler in Worker-Task"}; error = None try: with openai_semaphore_branch: # debug_print(f" Task {row_num}: Warte auf Semaphore...") # Sehr detailliertes Logging # time.sleep(0.1) # Minimale Pause reduziert manchmal Race Conditions bei hoher Last # debug_print(f" Task {row_num}: Semaphore erhalten, starte evaluate_branche_chatgpt...") result = evaluate_branche_chatgpt( task_data['crm_branche'], task_data['beschreibung'], task_data['wiki_branche'], task_data['wiki_kategorien'], task_data['website_summary']) # debug_print(f" Task {row_num}: evaluate_branche_chatgpt beendet.") except Exception as e: error = f"Fehler bei Branchenevaluation Zeile {row_num}: {e}"; debug_print(error); result['justification'] = error[:500]; result['consistency'] = 'error_task' return {"row_num": row_num, "result": result, "error": error} # --- Hauptverarbeitung --- tasks_for_processing_batch = [] total_processed_count = 0; total_skipped_count = 0; total_error_count = 0 if not ALLOWED_TARGET_BRANCHES: load_target_schema(); if not ALLOWED_TARGET_BRANCHES: return debug_print("FEHLER: Ziel-Schema nicht geladen.") for i in range(start_row_index_in_sheet, end_row_index_in_sheet + 1): row_index_in_list = i - 1 if row_index_in_list >= len(all_data): continue row = all_data[row_index_in_list] # Timestamp-Prüfung (AO) should_skip = False if len(row) > timestamp_col_index and str(row[timestamp_col_index]).strip(): should_skip = True if should_skip: total_skipped_count += 1; continue # Task sammeln task_data = { "row_num": i, "crm_branche": row[branche_crm_idx] if len(row) > branche_crm_idx else "", "beschreibung": row[beschreibung_idx] if len(row) > beschreibung_idx else "", "wiki_branche": row[branche_wiki_idx] if len(row) > branche_wiki_idx else "", "wiki_kategorien": row[kategorien_wiki_idx] if len(row) > kategorien_wiki_idx else "", "website_summary": row[summary_web_idx] if len(row) > summary_web_idx else ""} tasks_for_processing_batch.append(task_data) # --- Verarbeitungs-Batch ausführen --- if len(tasks_for_processing_batch) >= PROCESSING_BRANCH_BATCH_SIZE or i == end_row_index_in_sheet: if tasks_for_processing_batch: batch_start_row = tasks_for_processing_batch[0]['row_num']; batch_end_row = tasks_for_processing_batch[-1]['row_num'] batch_task_count = len(tasks_for_processing_batch) debug_print(f"\n--- Starte Branch-Evaluation Batch ({batch_task_count} Tasks, Zeilen {batch_start_row}-{batch_end_row}) ---") results_list = []; batch_error_count = 0 debug_print(f" Evaluiere {batch_task_count} Zeilen parallel (max {MAX_BRANCH_WORKERS} worker, {OPENAI_CONCURRENCY_LIMIT} OpenAI gleichzeitig)...") # *** BEGINN PARALLELE VERARBEITUNG *** with concurrent.futures.ThreadPoolExecutor(max_workers=MAX_BRANCH_WORKERS) as executor: future_to_task = {executor.submit(evaluate_branch_task, task): task for task in tasks_for_processing_batch} # Warte auf Ergebnisse und sammle sie for future in concurrent.futures.as_completed(future_to_task): task = future_to_task[future] try: result_data = future.result(); results_list.append(result_data); except Exception as exc: row_num = task['row_num']; err_msg = f"Generischer Fehler Branch Task Zeile {row_num}: {exc}"; debug_print(err_msg) results_list.append({"row_num": row_num, "result": {"branch": "FEHLER", "consistency": "error_task", "justification": err_msg[:500]}, "error": err_msg}) batch_error_count += 1; total_error_count +=1 # Zähle Fehler aus dem Ergebnis-Dict if results_list[-1]['error']: batch_error_count += 1; total_error_count +=1 # *** ENDE PARALLELE VERARBEITUNG *** current_batch_processed_count = len(results_list) total_processed_count += current_batch_processed_count debug_print(f" Branch-Evaluation für Batch beendet. {current_batch_processed_count} Ergebnisse erhalten ({batch_error_count} Fehler in diesem Batch).") # Sheet Updates vorbereiten FÜR DIESEN BATCH if results_list: current_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") current_version = Config.VERSION batch_sheet_updates = [] # Sortiere Ergebnisse nach Zeilennummer für geordnetes Schreiben (optional) results_list.sort(key=lambda x: x['row_num']) for res_data in results_list: row_num = res_data['row_num']; result = res_data['result'] # Logge das individuelle Ergebnis VOR dem Update debug_print(f" Zeile {row_num}: Ergebnis -> Branch='{result.get('branch')}', Consistency='{result.get('consistency')}', Justification='{result.get('justification', '')[:50]}...'") row_updates = [ {'range': f'{branch_w_letter}{row_num}', 'values': [[result.get("branch", "Fehler")]]}, {'range': f'{branch_x_letter}{row_num}', 'values': [[result.get("consistency", "Fehler")]]}, {'range': f'{branch_y_letter}{row_num}', 'values': [[result.get("justification", "Fehler")]]}, {'range': f'{ts_col_letter}{row_num}', 'values': [[current_timestamp]]}, {'range': f'{version_col_letter}{row_num}', 'values': [[current_version]]} ] batch_sheet_updates.extend(row_updates) # Sende Updates für DIESEN Batch SOFORT if batch_sheet_updates: debug_print(f" Sende Sheet-Update für {len(results_list)} Zeilen ({len(batch_sheet_updates)} Zellen)...") success = sheet_handler.batch_update_cells(batch_sheet_updates) if success: debug_print(f" Sheet-Update für Batch {batch_start_row}-{batch_end_row} erfolgreich.") else: debug_print(f" FEHLER beim Sheet-Update für Batch {batch_start_row}-{batch_end_row}.") else: debug_print(f" Keine Sheet-Updates für Batch {batch_start_row}-{batch_end_row} vorbereitet.") tasks_for_processing_batch = [] # Batch leeren debug_print(f"--- Verarbeitungs-Batch {batch_start_row}-{batch_end_row} abgeschlossen ---") # Kurze Pause NACHDEM ein Batch komplett verarbeitet und geschrieben wurde # debug_print(" Warte 1 Sekunde...") # Test-Log time.sleep(1) # !!! HIER DARF KEIN SLEEP STEHEN !!! # time.sleep(Config.RETRY_DELAY) # <<< DIESE ZEILE MUSS WEG SEIN in deinem Code! debug_print(f"Brancheneinschätzung (Parallel Batch) abgeschlossen. {total_processed_count} Zeilen verarbeitet (inkl. Fehler), {total_error_count} Fehler, {total_skipped_count} Zeilen wg. Timestamp übersprungen.") # Annahmen: # - Funktionen debug_print, process_verification_only, process_website_batch, process_branch_batch sind definiert. # - sheet_handler ist eine initialisierte Instanz von GoogleSheetHandler (mit der korrekten get_start_row_index Methode). # - Globale Konstante header_rows (oder besser, hol sie vom sheet_handler?) # Komplette run_dispatcher Funktion (Start immer basierend auf AO) # Komplette run_dispatcher Funktion (Keine Änderungen hier nötig) def run_dispatcher(mode, sheet_handler, row_limit=None): """ Wählt den passenden Batch-Prozess basierend auf dem Modus. Ermittelt die Startzeile dynamisch basierend auf der relevanten Spalte für den Modus. """ debug_print(f"Starte Dispatcher im Modus '{mode}' mit row_limit={row_limit}.") header_rows = 5 # Startspalte für jeden Modus start_col_key = "Timestamp letzte Prüfung" # Standard AO min_start_row = 7 if mode == "website": start_col_key = "Website Rohtext" # AR elif mode == "wiki": start_col_key = "Wiki Verif. Timestamp" # AX elif mode == "branch": start_col_key = "Timestamp letzte Prüfung" # AO elif mode == "summarize": start_col_key = "Website Zusammenfassung" # AS elif mode == "combined": start_col_key = "Timestamp letzte Prüfung" # AO debug_print(f"Dispatcher: Ermittle Startzeile basierend auf Spalte '{start_col_key}'...") # get_start_row_index prüft jetzt auf exakt "" start_data_index = sheet_handler.get_start_row_index(check_column_key=start_col_key, min_sheet_row=min_start_row) if start_data_index == -1: return debug_print(f"FEHLER: Startspalte '{start_col_key}' prüfen!") start_row_index_in_sheet = start_data_index + header_rows + 1 total_sheet_rows = len(sheet_handler.sheet_values) # Prüfungen (wie gehabt) if start_data_index >= len(sheet_handler.get_data()): return debug_print("Start nach Ende.") if start_row_index_in_sheet > total_sheet_rows: return debug_print("Ungültige Startzeile.") # Endzeile if row_limit is not None and row_limit > 0: end_row_index_in_sheet = min(start_row_index_in_sheet + row_limit - 1, total_sheet_rows) elif row_limit == 0: return debug_print("Limit 0.") else: end_row_index_in_sheet = total_sheet_rows debug_print(f"Dispatcher: Verarbeitung geplant für Sheet-Zeilen {start_row_index_in_sheet} bis {end_row_index_in_sheet}.") if start_row_index_in_sheet > end_row_index_in_sheet: return debug_print("Start nach Ende (berechnet).") # Modusauswahl try: if mode == "wiki": process_verification_only(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet) elif mode == "website": process_website_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet) # Prüft AR, Setzt AR+AP elif mode == "branch": process_branch_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet) elif mode == "summarize": process_website_summarization_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet) elif mode == "combined": debug_print("--- Start Combined Mode: Wiki ---"); process_verification_only(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet); time.sleep(1) debug_print("--- Start Combined Mode: Website Scraping ---"); process_website_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet); time.sleep(1) debug_print("--- Start Combined Mode: Website Summarization ---"); process_website_summarization_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet); time.sleep(1) debug_print("--- Start Combined Mode: Branch ---"); process_branch_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet) debug_print("--- Combined Mode abgeschlossen ---") else: debug_print(f"Ungültiger Modus '{mode}'.") except Exception as e: debug_print(f"FEHLER im Dispatcher: {e}"); import traceback; debug_print(traceback.format_exc()) # --- Ende run_dispatcher Funktion --- # ==================== SERP API / LINKEDIN FUNCTIONS ==================== @retry_on_failure def serp_website_lookup(company_name): """Ermittelt Website via SERP API (Google Suche).""" serp_key = Config.API_KEYS.get('serpapi') if not serp_key: debug_print("Fehler: SerpAPI Key nicht verfügbar für Website Lookup.") return "k.A." if not company_name: return "k.A." # Blacklist unerwünschter Domains blacklist = ["bloomberg.com", "northdata.de", "finanzen.net", "handelsblatt.com", "wikipedia.org", "linkedin.com"] query = f'{company_name} offizielle Website' # Präzisere Query params = { "engine": "google", "q": query, "api_key": serp_key, "hl": "de", "gl": "de" # Geolocation auf Deutschland setzen } api_url = "https://serpapi.com/search" try: response = requests.get(api_url, params=params, timeout=10) response.raise_for_status() data = response.json() # 1. Knowledge Graph prüfen (oft die offizielle Seite) if "knowledge_graph" in data and "website" in data["knowledge_graph"]: kg_url = data["knowledge_graph"]["website"] if kg_url and not any(bad_domain in kg_url for bad_domain in blacklist): normalized_url = simple_normalize_url(kg_url) if normalized_url != "k.A.": debug_print(f"SERP Lookup: Website '{normalized_url}' aus Knowledge Graph für '{company_name}' gefunden.") return normalized_url # 2. Organische Ergebnisse prüfen if "organic_results" in data: for result in data["organic_results"]: url = result.get("link", "") # Prüfe Blacklist und ob es eine "echte" Website ist (nicht nur Suche etc.) if url and not any(bad_domain in url for bad_domain in blacklist) and url.startswith("http"): normalized_url = simple_normalize_url(url) if normalized_url != "k.A.": # Zusätzliche Plausibilitätsprüfung: Enthält die Domain Teile des Firmennamens? domain_part = normalized_url.replace('www.', '').split('.')[0] if domain_part in normalize_company_name(company_name): debug_print(f"SERP Lookup: Website '{normalized_url}' aus Organic Results für '{company_name}' gefunden.") return normalized_url else: debug_print(f"SERP Lookup: URL '{normalized_url}' übersprungen (Domain passt nicht zu '{company_name}').") debug_print(f"SERP Lookup: Keine passende Website für '{company_name}' gefunden.") return "k.A." except requests.exceptions.RequestException as e: debug_print(f"Fehler beim SERP API Website Lookup für '{company_name}': {e}") return "k.A." except Exception as e: debug_print(f"Allgemeiner Fehler beim SERP API Website Lookup für '{company_name}': {e}") return "k.A." @retry_on_failure def search_linkedin_contacts(company_name, website, position_query, crm_kurzform, num_results=10): """Sucht LinkedIn Kontakte via SERP API.""" serp_key = Config.API_KEYS.get('serpapi') if not serp_key: debug_print("Fehler: SerpAPI Key nicht verfügbar für LinkedIn Suche.") return [] if not all([company_name, position_query, crm_kurzform]): return [] # Query anpassen für bessere Ergebnisse query = f'site:linkedin.com/in "{position_query}" "{crm_kurzform}"' # Suche nach Kurzform im Titel # query = f'site:linkedin.com/in "{position_query}" "{company_name}"' # Original Query params = { "engine": "google", "q": query, "api_key": serp_key, "hl": "de", "gl": "de", "num": num_results # Google's num Parameter (max 100, aber oft weniger geliefert) } api_url = "https://serpapi.com/search" try: response = requests.get(api_url, params=params, timeout=15) # Längerer Timeout response.raise_for_status() data = response.json() contacts = [] if "organic_results" in data: for result in data["organic_results"]: title = result.get("title", "") linkedin_url = result.get("link", "") # Filter: Muss LinkedIn URL sein und Kurzform muss im Titel vorkommen if not linkedin_url or "linkedin.com/in/" not in linkedin_url: continue if crm_kurzform.lower() not in title.lower(): debug_print(f"LinkedIn Treffer übersprungen: Kurzform '{crm_kurzform}' nicht in Titel '{title}'") continue # Extrahiere Name und Position aus Titel name_part = "" pos_part = position_query # Fallback auf Suchbegriff # Versuche gängige Trennzeichen separators = ["–", "-", "|", " at ", " bei "] title_cleaned = title.replace("...", "").strip() # Bereinige Titel found_sep = False for sep in separators: if sep in title_cleaned: parts = title_cleaned.split(sep, 1) name_part = parts[0].strip() # Versuche, LinkedIn/Profil etc. aus Namen zu entfernen name_part = name_part.replace(" | LinkedIn", "").replace(" - LinkedIn", "").replace(" - Profil", "").strip() # Positionsteil kann komplex sein, nehme alles nach dem Trenner potential_pos = parts[1].strip() # Entferne Firmenteil, wenn er dem Kurznamen ähnelt if crm_kurzform.lower() in potential_pos.lower(): potential_pos = potential_pos.replace(crm_kurzform, "", 1).strip() # Nur erste Instanz ersetzen # Entferne generische Endungen potential_pos = potential_pos.split(" | LinkedIn")[0].split(" - LinkedIn")[0].strip() pos_part = potential_pos if potential_pos else position_query found_sep = True break if not found_sep: # Kein Trennzeichen gefunden name_part = title_cleaned.split(" | LinkedIn")[0].split(" - LinkedIn")[0].strip() # Prüfe, ob der Suchbegriff im verbleibenden Namensteil ist if position_query.lower() in name_part.lower(): name_part = name_part.replace(position_query, "", 1).strip() # Versuche Position zu entfernen # Teile Namen in Vor- und Nachname firstname = "" lastname = "" name_parts = name_part.split() if len(name_parts) > 1: firstname = name_parts[0] lastname = " ".join(name_parts[1:]) elif len(name_parts) == 1: firstname = name_parts[0] # Nur Vorname gefunden? if not firstname: # Wenn Name nicht extrahiert werden konnte, überspringe debug_print(f"Kontakt übersprungen: Name konnte nicht extrahiert werden aus Titel '{title}'") continue contact_data = { "Firmenname": company_name, # Originalname für Kontext "CRM Kurzform": crm_kurzform, "Website": website, "Vorname": firstname, "Nachname": lastname, "Position": pos_part, "LinkedInURL": linkedin_url } contacts.append(contact_data) debug_print(f"Gefundener LinkedIn Kontakt: {firstname} {lastname} - {pos_part}") debug_print(f"LinkedIn Suche für '{position_query}' bei '{crm_kurzform}' ergab {len(contacts)} Kontakte.") return contacts except requests.exceptions.RequestException as e: debug_print(f"Fehler bei der SERP API LinkedIn Suche: {e}") return [] except Exception as e: debug_print(f"Allgemeiner Fehler bei der SERP API LinkedIn Suche: {e}") return [] # Funktion count_linkedin_contacts wurde entfernt, da search_linkedin_contacts jetzt die Liste liefert # und len() darauf angewendet werden kann. def process_contact_research(sheet_handler): """Sucht LinkedIn Kontakte und trägt sie in 'Contacts' Sheet ein.""" debug_print("Starte Contact Research (LinkedIn)...") main_sheet = sheet_handler.sheet all_data = sheet_handler.get_all_data_with_headers() header_rows = 5 # Finde Startzeile basierend auf Timestamp in Spalte AM (Index 38) timestamp_col_index = COLUMN_MAP["Contact Search Timestamp"] start_row_index_in_sheet = -1 for i in range(header_rows + 1, len(all_data) + 1): if i < 7: continue # Normalerweise ab Zeile 7 row_index_in_list = i - 1 row = all_data[row_index_in_list] if len(row) <= timestamp_col_index or not row[timestamp_col_index].strip(): start_row_index_in_sheet = i break if start_row_index_in_sheet == -1: debug_print("Keine Zeile ohne Contact Search Timestamp (Spalte AM, ab Zeile 7) gefunden. Überspringe.") return debug_print(f"Contact Research startet ab Zeile {start_row_index_in_sheet}.") # Kontakte-Blatt öffnen oder erstellen try: contacts_sheet = sheet_handler.sheet.spreadsheet.worksheet("Contacts") debug_print("Blatt 'Contacts' gefunden.") except gspread.exceptions.WorksheetNotFound: debug_print("Blatt 'Contacts' nicht gefunden, erstelle neu...") contacts_sheet = sheet_handler.sheet.spreadsheet.add_worksheet(title="Contacts", rows="1000", cols="12") header = ["Firmenname", "CRM Kurzform", "Website", "Geschlecht", "Vorname", "Nachname", "Position", "Suchbegriffskategorie", "E-Mail-Adresse", "LinkedIn-Link", "Timestamp"] contacts_sheet.update(values=[header], range_name="A1:K1") # Optional: Alignment Demo hier nicht mehr aufrufen # alignment_demo(contacts_sheet) # NICHT MEHR NÖTIG/FALSCH debug_print("Neues Blatt 'Contacts' erstellt und Header eingetragen.") # Positionen, nach denen gesucht wird positions_to_search = ["Serviceleiter", "Leiter Kundendienst", "IT-Leiter", "Leiter IT", "Geschäftsführer", "Vorstand", "Disponent", "Einsatzleiter"] # Gehe Zeilen im Hauptblatt durch for i in range(start_row_index_in_sheet, len(all_data) + 1): row_index_in_list = i - 1 row = all_data[row_index_in_list] company_name = row[COLUMN_MAP["CRM Name"]] if len(row) > COLUMN_MAP["CRM Name"] else "" crm_kurzform = row[COLUMN_MAP["CRM Kurzform"]] if len(row) > COLUMN_MAP["CRM Kurzform"] else "" website = row[COLUMN_MAP["CRM Website"]] if len(row) > COLUMN_MAP["CRM Website"] else "" if not all([company_name, crm_kurzform, website]): debug_print(f"Zeile {i}: Übersprungen (fehlende CRM Daten: Name, Kurzform oder Website).") continue debug_print(f"Zeile {i}: Suche Kontakte für '{crm_kurzform}'...") all_found_contacts = [] contact_counts = {pos: 0 for pos in ["Serviceleiter", "IT-Leiter", "Geschäftsführer", "Disponent"]} # Für die Zählung im Hauptblatt for position in positions_to_search: # Suche max. 5 Kontakte pro Position, um API Calls/Kosten zu begrenzen found_contacts = search_linkedin_contacts(company_name, website, position, crm_kurzform, num_results=5) # Zählung für das Hauptblatt (vereinfachte Kategorien) if "serviceleiter" in position.lower() or "kundendienst" in position.lower() or "einsatzleiter" in position.lower(): contact_counts["Serviceleiter"] += len(found_contacts) elif "it-leiter" in position.lower() or "leiter it" in position.lower(): contact_counts["IT-Leiter"] += len(found_contacts) elif "geschäftsführer" in position.lower() or "vorstand" in position.lower(): contact_counts["Geschäftsführer"] += len(found_contacts) elif "disponent" in position.lower(): contact_counts["Disponent"] += len(found_contacts) # Füge gefundene Kontakte zur Liste hinzu (mit Suchkategorie) for contact in found_contacts: contact["Suchbegriffskategorie"] = position all_found_contacts.append(contact) time.sleep(1.5) # Kleine Pause zwischen SerpAPI-Aufrufen # Verarbeite gefundene Kontakte und schreibe ins Contacts-Sheet rows_to_append = [] timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") unique_contacts = {c['LinkedInURL']: c for c in all_found_contacts}.values() # Deduplizieren basierend auf URL for contact in unique_contacts: firstname = contact.get("Vorname", "") lastname = contact.get("Nachname", "") gender_value = get_gender(firstname) email = get_email_address(firstname, lastname, website) contact_row = [ contact.get("Firmenname", ""), contact.get("CRM Kurzform", ""), contact.get("Website", ""), gender_value, firstname, lastname, contact.get("Position", ""), contact.get("Suchbegriffskategorie", ""), email, contact.get("LinkedInURL", ""), timestamp ] rows_to_append.append(contact_row) if rows_to_append: try: # Verwende append_rows für Effizienz contacts_sheet.append_rows(rows_to_append, value_input_option='USER_ENTERED') debug_print(f"Zeile {i}: {len(rows_to_append)} neue Kontakte zum 'Contacts'-Blatt hinzugefügt.") except Exception as e: debug_print(f"Zeile {i}: Fehler beim Hinzufügen von Kontakten zum Sheet: {e}") # Evtl. einzeln versuchen bei Fehler? # Aktualisiere Trefferzahlen und Timestamp im Hauptblatt (Batch Update) main_sheet_updates = [] main_sheet_updates.append({'range': f'AI{i}', 'values': [[str(contact_counts["Serviceleiter"])]]}) main_sheet_updates.append({'range': f'AJ{i}', 'values': [[str(contact_counts["IT-Leiter"])]]}) main_sheet_updates.append({'range': f'AK{i}', 'values': [[str(contact_counts["Geschäftsführer"])]]}) main_sheet_updates.append({'range': f'AL{i}', 'values': [[str(contact_counts["Disponent"])]]}) main_sheet_updates.append({'range': f'AM{i}', 'values': [[timestamp]]}) # Contact Search Timestamp sheet_handler.batch_update_cells(main_sheet_updates) debug_print(f"Zeile {i}: Kontaktzahlen im Hauptblatt aktualisiert: {contact_counts} – Timestamp in AM gesetzt.") # Pause nach Verarbeitung einer Firma time.sleep(Config.RETRY_DELAY) debug_print("Contact Research abgeschlossen.") # ==================== ALIGNMENT DEMO (Hauptblatt) ==================== # ==================== ALIGNMENT DEMO (Hauptblatt) ==================== # Diese Funktion ist bereits im Code vorhanden (Zeile ~1230 in der vorherigen Version) # Sie bleibt unverändert: def alignment_demo(sheet): """Schreibt die Header-Struktur (Zeilen 1-5, jetzt bis Spalte AX) ins angegebene Sheet.""" new_headers = [ [ # Spaltenname (Zeile 1) "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 Konsistenzprüfung", "Chat Begründung Wiki Inkonsistenz", "Chat Vorschlag Wiki Artikel", "Begründung bei Abweichung", "Chat Vorschlag Branche", "Chat Konsistenz Branche", "Chat Begründung Abweichung Branche", "Chat Prüfung FSM Relevanz", "Chat Begründung für FSM Relevanz", "Chat Schätzung Anzahl Mitarbeiter", "Chat Konsistenzprüfung Mitarbeiterzahl", "Chat Begründung Abweichung Mitarbeiterzahl", "Chat Einschätzung Anzahl Servicetechniker", "Chat Begründung Abweichung Anzahl Servicetechniker", "Chat Schätzung Umsatz", "Chat Begründung Abweichung Umsatz", "Linked Serviceleiter gefunden", "Linked It-Leiter gefunden", "Linked Management gefunden", "Linked Disponent gefunden", "Contact Search Timestamp", "Wikipedia Timestamp", "Timestamp letzte Prüfung", "Version", "Tokens", "Website Rohtext", "Website Zusammenfassung", "Website Scrape Timestamp", # AT "Geschätzter Techniker Bucket", # AU "Finaler Umsatz (Wiki>CRM)", # AV "Finaler Mitarbeiter (Wiki>CRM)", # AW "Wiki Verif. Timestamp", # AX "SerpAPI Wiki Search Timestamp" # AY (NEU) ], [ # Quelle der Daten (Zeile 2) "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 (via SerpApi)", "LinkedIn (via SerpApi)", "LinkedIn (via SerpApi)", "LinkedIn (via SerpApi)", "System", "System", "System", "System", "System", "Web Scraper", "Chat GPT API", "System", # AT "ML Modell / Skript", # AU "Skript (Wiki/CRM)", # AV "Skript (Wiki/CRM)", # AW "System", # AX "System" # AY (NEU) ], [ # Feldkategorie (Zeile 3) "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", "Begründung 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", # AT "Anzahl Servicetechniker Bucket", # AU "Umsatz", # AV "Anzahl Mitarbeiter", # AW "Timestamp", # AX "Timestamp" # AY (NEU) ], [ # Kurze Beschreibung (Zeile 4) "Systemspalte...", "Enthält 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...", "Begründung bei Inkonsistenz...", "Chat-Vorschlag Wiki Artikel...", "Nicht genutzt...", "Branchenvorschlag via ChatGPT...", "Vergleich: Übereinstimmung CRM vs. ...", "Begründung bei abweichender...", "FSM-Relevanz: Bewertung...", "Begründung zur FSM-Bewertung.", "Schätzung Anzahl Mitarbeiter...", "Vergleich CRM vs. Wiki vs. ...", "Begründung bei Mitarbeiterabweichung...", "Schätzung Servicetechniker...", "Begründung bei Abweichung...", "Schätzung Umsatz via ChatGPT.", "Begründung 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 Prüfung der Zeile.", "Ausgabe der Skriptversion...", "Token-Zählung...", "Roh extrahierter Text...", "Zusammenfassung des Webseiteninhalts...", "Timestamp des letzten Website-Scrapings (AR, AS).", # AT "Geschätzter Bucket (1-7) für Servicetechniker...", # AU "Konsolidierter Umsatz (Mio €) nach Priorität Wiki > CRM.", # AV "Konsolidierte Mitarbeiterzahl nach Priorität Wiki > CRM.", # AW "Timestamp der letzten Wiki-Verifikation (Spalten S-Y).", # AX "Timestamp der letzten SerpAPI-Suche nach fehlender Wiki-URL (Modus find_wiki_serp)." # AY (NEU) ], [ # Aufgabe / Funktion (Zeile 5) - Ergänzt um AX "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Wird durch Wikipedia Scraper bereitgestellt", "Wird zunächst 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 geprüft 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 prüfen...", "Die in 'Chat Begründung für FSM Relevanz'...", "Nur wenn kein Wikipedia-Eintrag...", "Entspricht die durch ChatGPT ermittelte...", "Weicht die von ChatGPT geschätzte...", "ChatGPT soll auf Basis öffentlich...", "Weicht die von ChatGPT geschätzte...", "Nur wenn kein Wikipedia-Eintrag...", "ChatGPT soll signifikante Umsatzabweichungen...", "Über SerpAPI wird zusammen...", "Über SerpAPI wird zusammen...", "Über SerpAPI wird zusammen...", "Über SerpAPI wird zusammen...", "Wenn die Kontaktsuche gestartet wird...", "Wenn die Wikipedia-Suche gestartet wird...", "Wenn die ChatGPT-Bewertung gestartet wird...", "Wird durch das System befüllt", "Wird durch tiktoken berechnet", "Wird durch Web Scraper...", "Wird durch ChatGPT API...", "Timestamp wird gesetzt, wenn Website Rohtext/Zusammenfassung geschrieben werden.", # AT "Ergebnis der Schätzung durch das trainierte ML-Modell.", # AU "Vom Skript berechneter Wert, priorisiert Wiki > CRM...", # AV "Vom Skript berechneter Wert, priorisiert Wiki > CRM...", # AW "Timestamp wird gesetzt, wenn Wiki-Verifikation (S-Y) durchgeführt wurde.", # AX "Timestamp wird gesetzt, nachdem versucht wurde, eine fehlende Wiki-URL via SerpAPI zu finden." # AY (NEU) ] ] num_cols = len(new_headers[0]) # ... (Rest der Funktion zum Schreiben der Header bleibt gleich, verwendet jetzt AY als Endspalte) ... def colnum_string(n): # Hilfsfunktion bleibt string = "" while n > 0: n, remainder = divmod(n - 1, 26); string = chr(65 + remainder) + string return string end_col_letter = colnum_string(num_cols) header_range = f"A1:{end_col_letter}{len(new_headers)}" try: sheet.update(values=new_headers, range_name=header_range) logging.info(f"Alignment-Demo abgeschlossen: Header in Bereich {header_range} geschrieben.") except Exception as e: logging.error(f"FEHLER beim Schreiben der Alignment-Demo Header: {e}") # ==================== DATA PROCESSOR ==================== class DataProcessor: """ Verarbeitet Daten aus dem Google Sheet, führt verschiedene Anreicherungs- und Analyseprozesse durch, inklusive Timestamp-basierter Überspringung und erzwungener Neuverarbeitung im Re-Eval-Modus. Enthält auch die Datenvorbereitung für das ML-Modell. """ def __init__(self, sheet_handler): """ Initialisiert den DataProcessor. Args: sheet_handler (GoogleSheetHandler): Eine initialisierte Instanz des GoogleSheetHandlers. """ # WICHTIG: Stelle sicher, dass sheet_handler übergeben wird und nicht None ist if sheet_handler is None: # Kritischer Fehler, da der Handler benötigt wird logging.critical("DataProcessor Init FEHLER: Kein gültiger sheet_handler übergeben!") # Hier ist es sinnvoll, einen Fehler zu werfen, um das Problem sofort sichtbar zu machen raise ValueError("DataProcessor benötigt einen gültigen GoogleSheetHandler.") self.sheet_handler = sheet_handler # Erstelle eine Instanz des Scrapers für diesen Prozessor # Annahme: WikipediaScraper ist importiert und korrekt try: # Annahme: WikipediaScraper benötigt keinen Parameter mehr, # oder kann mit einem Default initialisiert werden, # und Config.USER_AGENT existiert self.wiki_scraper = WikipediaScraper() # Geht davon aus, dass Config etc. verfügbar ist except NameError: logging.critical("DataProcessor Init FEHLER: WikipediaScraper Klasse nicht gefunden/importiert!") raise except Exception as e: logging.critical(f"DataProcessor Init FEHLER beim Initialisieren von WikipediaScraper: {e}") raise logging.info("DataProcessor initialisiert.") # --- Methode: Verarbeitung einer einzelnen Zeile --- # Diese Methode gehört in die Klasse # @retry_on_failure # Achtung: retry_on_failure macht bei dieser Methode WENIG Sinn, # da sie interne Logik steuert, keine externen Calls. # Besser: retry auf den einzelnen Schritten (API/Scrape) def _process_single_row(self, row_num_in_sheet, row_data, process_wiki=True, process_chatgpt=True, process_website=True, force_reeval=False): """ Verarbeitet die Daten für eine einzelne Zeile im Sheet. Führt Website-Scraping/Lookup, Wikipedia-Extraktion/Validierung und ChatGPT-Evaluationen durch, basierend auf Timestamps/Status oder dem force_reeval Flag. Schreibt Ergebnisse zurück. Args: row_num_in_sheet (int): Die 1-basierte Zeilennummer im Google Sheet. row_data (list): Die rohen Listendaten für diese Zeile. process_wiki (bool, optional): Soll Wiki-Verarbeitung durchgeführt werden?. Defaults to True. process_chatgpt (bool, optional): Sollen ChatGPT-Evaluationen durchgeführt werden?. Defaults to True. process_website (bool, optional): Soll Website-Verarbeitung durchgeführt werden?. Defaults to True. force_reeval (bool, optional): Ignoriert Timestamps und erzwingt Neuverarbeitung. Defaults to False. """ logging.info(f"--- Starte Verarbeitung für Zeile {row_num_in_sheet} {'(Re-Eval)' if force_reeval else ''} ---") updates = [] now_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") any_processing_done = False wiki_data_updated_in_this_run = False # Flag, ob Wiki-Daten NEU extrahiert/gesetzt wurden # Hilfsfunktion für sicheren Zellenzugriff def get_cell_value(key): idx = COLUMN_MAP.get(key) if idx is not None and len(row_data) > idx: # Stelle sicher, dass der Wert nicht None ist, falls Sheet-Zelle leer ist return row_data[idx] if row_data[idx] is not None else '' return "" # Gebe leeren String für fehlende Spalten zurück # Initiale Werte lesen company_name = get_cell_value("CRM Name") website_url = get_cell_value("CRM Website"); original_website = website_url crm_branche = get_cell_value("CRM Branche"); crm_beschreibung = get_cell_value("CRM Beschreibung") konsistenz_s = get_cell_value("Chat Wiki Konsistenzprüfung").strip() # Trimme hier schon # Lade vorhandene Wiki-Daten (könnten alt sein, werden ggf. überschrieben) final_wiki_data = { 'url': get_cell_value("Wiki URL") or 'k.A.', 'first_paragraph': get_cell_value("Wiki Absatz") or 'k.A.', 'branche': get_cell_value("Wiki Branche") or 'k.A.', 'umsatz': get_cell_value("Wiki Umsatz") or 'k.A.', 'mitarbeiter': get_cell_value("Wiki Mitarbeiter") or 'k.A.', 'categories': get_cell_value("Wiki Kategorien") or 'k.A.' } # --- 1. Website Handling (Prüft AT oder force_reeval) --- website_ts_missing = not get_cell_value("Website Scrape Timestamp").strip() # Website Verarbeitung notwendig, wenn: # - process_website True ist UND # ( force_reeval True ist ODER Timestamp AT fehlt ) website_processing_needed = process_website and (force_reeval or website_ts_missing) if website_processing_needed: any_processing_done = True logging.info(f"Zeile {row_num_in_sheet}: Starte Website Verarbeitung (Grund: {'Re-Eval' if force_reeval else 'AT fehlt'})...") # Website Lookup nur, wenn URL leer ist if not website_url or website_url.strip().lower() == "k.a.": logging.debug(" -> Suche Website via SERP...") # Annahme: serp_website_lookup existiert und nutzt logging/retry new_website = serp_website_lookup(company_name) if new_website != "k.A.": website_url = new_website # Update die lokale Variable für den weiteren Schritt updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["CRM Website"] + 1)}{row_num_in_sheet}', 'values': [[website_url]]}) logging.info(f" -> Neue Website gefunden und für Update vorgemerkt: {website_url}") else: logging.warning(f" -> Keine neue Website via SERP gefunden für '{company_name}'.") if website_url and website_url.strip().lower() != "k.a.": logging.debug(f" -> Scrape Rohtext von {website_url}...") # Annahme: get_website_raw existiert und nutzt logging/retry new_website_raw = get_website_raw(website_url) website_raw = new_website_raw # Lokale Variable aktualisieren # Zusammenfassung nur, wenn Rohtext extrahiert wurde if website_raw != "k.A." and website_raw.strip(): logging.debug(f" -> Fasse Rohtext zusammen (Länge: {len(str(website_raw))})...") # Annahme: summarize_website_content existiert und nutzt logging/retry new_website_summary = summarize_website_content(website_raw) website_summary = new_website_summary # Lokale Variable aktualisieren updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Zusammenfassung"] + 1)}{row_num_in_sheet}', 'values': [[website_summary]]}) else: logging.warning(" -> Kein gültiger Rohtext zum Zusammenfassen vorhanden.") website_summary = "k.A." updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Zusammenfassung"] + 1)}{row_num_in_sheet}', 'values': [['k.A.']]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Rohtext"] + 1)}{row_num_in_sheet}', 'values': [[website_raw]]}) # Rohtext immer schreiben (k.A. oder Inhalt) else: logging.warning(f" -> Keine gültige Website URL vorhanden/gefunden für '{company_name}'. Website Verarbeitung übersprungen.") website_raw, website_summary = "k.A.", "k.A." 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.']]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Website Scrape Timestamp"] + 1)}{row_num_in_sheet}', 'values': [[now_timestamp]]}) # Timestamp AT immer setzen, wenn Verarbeitung versucht wurde elif process_website: logging.debug(f"Zeile {row_num_in_sheet}: Überspringe Website Verarbeitung (AT vorhanden und kein Re-Eval).") # --- 2. Wikipedia Verarbeitung (Prüft AN, Status S='X (URL Copied)' oder force_reeval) --- wiki_ts_an_missing = not get_cell_value("Wikipedia Timestamp").strip() status_s_indicates_reparse = konsistenz_s.upper() == "X (URL COPIED)" # Prüfe getrimmten Wert # Wiki Verarbeitung notwendig, wenn: # - process_wiki True ist UND # ( force_reeval True ist ODER Timestamp AN fehlt ODER Status S ist 'X (URL Copied)' ) wiki_processing_needed = process_wiki and (force_reeval or wiki_ts_an_missing or status_s_indicates_reparse) if wiki_processing_needed: any_processing_done = True # Konstruiere den 'Grund' String separat VOR dem Logging-Aufruf if force_reeval: grund_message = 'Re-Eval' else: # Dieser f-String ist nun einfacher und nicht mehr Teil eines komplexen Ausdrucks im äußeren f-String grund_message = f"AN fehlt? {wiki_ts_an_missing}, S='X (URL Copied)'? {status_s_indicates_reparse}" logging.info(f"Zeile {row_num_in_sheet}: Starte Wikipedia Verarbeitung (Grund: {grund_message})...") url_in_m = get_cell_value("Wiki URL").strip() url_to_extract = None search_was_needed = False # Flag, ob eine neue Suche durchgeführt wurde # --- Kernlogik für Re-Eval oder Initiallauf / S="X (URL Copied)" --- # Priorität: # 1. force_reeval: Nimm M, wenn gültig. Sonst Suche. # 2. S == "X (URL Copied)": Ignoriere M, mache Suche. # 3. AN fehlt: Wenn M gültig, valide M. Sonst Suche. # 4. Sonst (AN da, S nicht "X (URL Copied)", kein reeval): Überspringe. if force_reeval: logging.debug(" -> Re-Eval Modus aktiv.") if url_in_m and url_in_m.lower() not in ["k.a.", "kein artikel gefunden"] and url_in_m.lower().startswith("http"): # Im Re-Eval Modus nehmen wir die URL aus M an, ohne erneute Validierung oder Suche (Vertrauen auf M)! logging.info(f" -> Re-Eval: Nutze vorhandene URL aus Spalte M direkt: {url_in_m}") url_to_extract = url_in_m else: # Wenn M leer/ungültig ist, auch im Re-Eval Modus neu suchen logging.warning(f" -> Re-Eval: Spalte M ist leer oder ungültig ('{url_in_m}'). Starte neue Suche...") search_was_needed = True validated_page = self.wiki_scraper.search_company_article(company_name, website_url) # Annahme: self.wiki_scraper existiert if validated_page: url_to_extract = validated_page.url else: # Suche erfolglos final_wiki_data = {'url': 'Kein Artikel gefunden', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'} wiki_data_updated_in_this_run = True elif status_s_indicates_reparse: logging.warning(f" -> Status S ist 'X (URL Copied)', ignoriere URL '{url_in_m}' in M und starte neue Suche...") search_was_needed = True validated_page = self.wiki_scraper.search_company_article(company_name, website_url) if validated_page: url_to_extract = validated_page.url else: final_wiki_data = {'url': 'Kein Artikel gefunden', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'}; wiki_data_updated_in_this_run = True elif wiki_ts_an_missing: # Nur wenn AN fehlt und S nicht 'X(Copied)' ist, UND kein reeval if url_in_m and url_in_m.lower() not in ["k.a.", "kein artikel gefunden"] and url_in_m.lower().startswith("http"): # Prüfe Validität nur im Initiallauf, wenn M schon befüllt ist logging.debug(f" -> AN fehlt, prüfe Validität der URL aus M: {url_in_m}") try: # Extrahieren des Titels aus der URL für wikipedia.page # Hier könnte ein Fehler passieren, wenn URL kein '/wiki/' hat title_from_url = url_in_m.split('/wiki/')[-1].replace('_', ' ') page_from_m = wikipedia.page(title_from_url, auto_suggest=False, preload=True) # Validierung des Artikels if self.wiki_scraper._validate_article(page_from_m, company_name, website_url): url_to_extract = page_from_m.url logging.info(f" -> Vorhandene URL aus M '{url_to_extract}' ist valide und wird verwendet.") else: logging.warning(f" -> Vorhandene URL aus M '{page_from_m.title}' ist NICHT valide. Starte neue Suche...") search_was_needed = True validated_page = self.wiki_scraper.search_company_article(company_name, website_url) if validated_page: url_to_extract = validated_page.url else: final_wiki_data = {'url': 'Kein Artikel gefunden', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'}; wiki_data_updated_in_this_run = True except wikipedia.exceptions.PageError: logging.warning(f" -> Seite für vorhandene URL aus M '{url_in_m}' nicht gefunden (PageError). Starte neue Suche...") search_was_needed = True validated_page = self.wiki_scraper.search_company_article(company_name, website_url) if validated_page: url_to_extract = validated_page.url else: final_wiki_data = {'url': 'Kein Artikel gefunden', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'}; wiki_data_updated_in_this_run = True except wikipedia.exceptions.DisambiguationError as e_disamb_m: logging.info(f" -> Vorhandene URL aus M '{url_in_m}' ist eine Begriffsklärung. Starte Suche...") search_was_needed = True validated_page = self.wiki_scraper.search_company_article(company_name, website_url) if validated_page: url_to_extract = validated_page.url else: final_wiki_data = {'url': 'Kein Artikel gefunden', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'}; wiki_data_updated_in_this_run = True except Exception as e_val_m: # Fängt auch URL parsing Fehler hier ab logging.exception(f" -> Fehler beim Prüfen der URL aus M '{url_in_m}': {e_val_m}. Starte neue Suche...") search_was_needed = True validated_page = self.wiki_scraper.search_company_article(company_name, website_url) if validated_page: url_to_extract = validated_page.url else: final_wiki_data = {'url': 'Kein Artikel gefunden', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'}; wiki_data_updated_in_this_run = True else: # M ist leer/ungültig und AN fehlt -> Suche starten logging.info(f" -> AN fehlt und M leer/ungültig. Starte Wikipedia-Suche für '{company_name}'...") search_was_needed = True validated_page = self.wiki_scraper.search_company_article(company_name, website_url) if validated_page: url_to_extract = validated_page.url else: final_wiki_data = {'url': 'Kein Artikel gefunden', 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'} wiki_data_updated_in_this_run = True # Datenextraktion, wenn eine URL bestimmt wurde if url_to_extract and url_to_extract != 'Kein Artikel gefunden': logging.info(f" -> Extrahiere Daten von URL: {url_to_extract}...") # Annahme: self.wiki_scraper.extract_company_data existiert und nutzt logging extracted_data = self.wiki_scraper.extract_company_data(url_to_extract) if extracted_data: final_wiki_data = extracted_data wiki_data_updated_in_this_run = True # Markieren, dass extrahierte Daten da sind logging.info(f" -> Datenextraktion erfolgreich.") else: logging.error(f" -> Fehler bei Datenextraktion von {url_to_extract}. Setze Daten auf 'k.A.'") # Behalte die URL, aber setze alle anderen Felder auf k.A. final_wiki_data = {'url': url_to_extract, 'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'} wiki_data_updated_in_this_run = True # Markieren, dass überschrieben wird # Sheet Updates für M-R und AN (nur wenn Wiki-Verarbeitung lief) if wiki_processing_needed: # Hier wurde bereits geprüft, ob Wiki-Verarbeitung notwendig war 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.')]]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Wikipedia Timestamp"] + 1)}{row_num_in_sheet}', 'values': [[now_timestamp]]}) # AN Timestamp setzen # Setze S ('Chat Wiki Konsistenzprüfung') zurück, wenn eine Neubewertung nötig ist: # - Immer bei force_reeval # - Wenn die URL in M geändert wurde (entweder durch Suche oder weil M vorher leer war) # - Wenn Status S zuvor "X (URL Copied)" war url_changed = (url_in_m != final_wiki_data.get('url')) # Prüft ob die NEUE URL anders ist als die ursprünglich in M # Prüfen, ob das Zurücksetzen des Status S überhaupt notwendig ist if force_reeval or status_s_indicates_reparse or url_changed: s_idx = COLUMN_MAP.get("Chat Wiki Konsistenzprüfung") if s_idx is not None: s_let = self.sheet_handler._get_col_letter(s_idx + 1) # Füge das Update zum Zurücksetzen von S hinzu updates.append({'range': f'{s_let}{row_num_in_sheet}', 'values': [["?"]]}) # Fragezeichen für Neubewertung # Bestimme den Grund-String VOR dem Logging-Aufruf grund_message_parts = [] if force_reeval: grund_message_parts.append('Re-Eval') # Beachten Sie: Hier verwenden wir einen normalen String, KEINEN f-String, # für den Text "S='X (URL Copied)'". Wir escapen die einfachen Anführungszeichen # nicht, weil wir die äußeren Anführungszeichen des String-Literals ändern (auf doppelt), # oder wir lassen die einfachen Anführungszeichen einfach unescaped im String. # Letzteres ist in einem normalen String erlaubt. if status_s_indicates_reparse: grund_message_parts.append("S='X (URL Copied)'") # Nutzen Sie doppelte Anführungszeichen außen if url_changed: grund_message_parts.append('URL geändert') # Verbinde die Gründe, falls mehrere zutreffen grund_message = ", ".join(grund_message_parts) # Logge nun mit dem vorbereiteten Grund-String logging.info(f" -> Status S zurückgesetzt auf '?' für erneute Verifikation (Grund: {grund_message}).") # else: # Diesen else-Zweig gab es vorher nicht, ist auch nicht nötig # logging.debug(f"Zeile {row_num_in_sheet}: Status S nicht zurückgesetzt (AN da, S nicht X(Copied), kein Re-Eval).") elif process_wiki: # Dieser elif-Zweig gehört weiterhin zum if wiki_processing_needed: Block logging.debug(f"Zeile {row_num_in_sheet}: Überspringe Wikipedia Verarbeitung (AN vorhanden, kein S='X (URL Copied)' und kein Re-Eval).") # --- 3. ChatGPT Evaluationen (Branch etc.) (Prüft AO oder force_reeval oder wiki_data_updated_in_this_run) --- chat_ts_ao_missing = not get_cell_value("Timestamp letzte Prüfung").strip() # Chat Evaluationen notwendig, wenn: # - process_chatgpt True ist UND # ( force_reeval True ist ODER Timestamp AO fehlt ODER Wiki Daten gerade aktualisiert wurden ) run_chat_eval = process_chatgpt and (force_reeval or chat_ts_ao_missing or wiki_data_updated_in_this_run) if run_chat_eval: any_processing_done = True logging.info(f"Zeile {row_num_in_sheet}: Starte ChatGPT Evaluationen (Grund: {'Re-Eval' if force_reeval else f'AO fehlt? {chat_ts_ao_missing}, Wiki gerade aktualisiert? {wiki_data_updated_in_this_run}'})...") # Annahme: evaluate_branche_chatgpt existiert und nutzt logging/retry # Nutze die (ggf. neu extrahierten) final_wiki_data branch_result = evaluate_branche_chatgpt( crm_branche, crm_beschreibung, final_wiki_data.get('branche', 'k.A.'), final_wiki_data.get('categories', 'k.A.'), website_summary ) 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')]]}) 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', 'Fehler')]]}) updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Begründung Abweichung Branche"] + 1)}{row_num_in_sheet}', 'values': [[branch_result.get('justification', 'Fehler')]]}) # --- Hier Platz für weitere ChatGPT-Calls, die AO als Trigger nutzen --- # z.B. FSM Relevanz, Mitarbeiter/Umsatz Schätzung etc. # Stelle sicher, dass diese Funktionen existieren und die benötigten Daten nutzen # Beispiel (Pseudo-Code, implementiere diese Funktionen falls nötig): # fsm_result = evaluate_fsm_suitability(company_name, {'wiki': final_wiki_data, 'web_summary': website_summary, 'crm_desc': crm_beschreibung}) # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Prüfung FSM Relevanz"] + 1)}{row_num_in_sheet}', 'values': [[fsm_result.get('suitability', 'Fehler')]]}) # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Begründung für FSM Relevanz"] + 1)}{row_num_in_sheet}', 'values': [[fsm_result.get('justification', 'Fehler')]]}) # emp_estimate_result = evaluate_employee_chatgpt(...) # updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Chat Schätzung Anzahl Mitarbeiter"] + 1)}{row_num_in_sheet}', 'values': [[emp_estimate_result.get('estimate', 'Fehler')]]}) # ... etc. updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Timestamp letzte Prüfung"] + 1)}{row_num_in_sheet}', 'values': [[now_timestamp]]}) # AO Timestamp setzen elif process_chatgpt: logging.debug(f"Zeile {row_num_in_sheet}: Überspringe ChatGPT Evaluationen (AO vorhanden, Wiki nicht gerade aktualisiert und kein Re-Eval).") # --- 4. Abschließende Updates --- # Version wird gesetzt, wenn IRGENDEINE Verarbeitung in dieser Zeile stattgefunden hat if any_processing_done: # Annahme: Config ist verfügbar updates.append({'range': f'{self.sheet_handler._get_col_letter(COLUMN_MAP["Version"] + 1)}{row_num_in_sheet}', 'values': [[Config.VERSION]]}) # --- 5. Batch Update für diese Zeile --- if updates: # Info-Log über die Anzahl der Updates für diese spezifische Zeile logging.info(f"Zeile {row_num_in_sheet}: Sende Batch-Update mit {len(updates)} Operationen für diese Zeile...") success = self.sheet_handler.batch_update_cells(updates) # Annahme: batch_update_cells nutzt logging intern if not success: logging.error(f"Zeile {row_num_in_sheet}: FEHLER beim Batch-Update.") else: # Info-Log, wenn nichts zu tun war if not any_processing_done: logging.info(f"Zeile {row_num_in_sheet}: Keine Updates zum Schreiben (alle relevanten Schritte übersprungen).") logging.info(f"--- Verarbeitung für Zeile {row_num_in_sheet} abgeschlossen ---") # Kleine Pause nach der Verarbeitung jeder Zeile, um API-Limits zu respektieren, auch bei sequenziellen Modi # Der Wert kann in Config angepasst werden. 0.1s ist sehr kurz, 0.5-1.0s ist realistischer. # Annahme: Config.RETRY_DELAY ist in Sekunden, also durch 10 oder 20 teilen # logging.debug(f"Wartezeit nach Zeile {row_num_in_sheet}: {max(0.1, getattr(Config, 'RETRY_DELAY', 5) / 20):.2f}s") time.sleep(max(0.1, getattr(Config, 'RETRY_DELAY', 5) / 20)) # --- Methode für den Re-Eval Modus --- # Diese Methode gehört in die Klasse def process_reevaluation_rows(self, row_limit=None, clear_flag=True, # NEUE PARAMETER hinzugefügt: process_wiki_steps=True, process_chatgpt_steps=True, process_website_steps=True): """ Verarbeitet nur Zeilen, die in Spalte A mit 'x' markiert sind. Ruft _process_single_row für jede dieser Zeilen auf mit force_reeval=True. Verarbeitet maximal row_limit Zeilen. Löscht optional das 'x'-Flag nach erfolgreicher Verarbeitung. Erlaubt die Auswahl spezifischer Verarbeitungsschritte. Args: row_limit (int, optional): Maximale Anzahl zu verarbeitender Zeilen. Defaults to None. clear_flag (bool, optional): Flag 'x' nach erfolgreicher Verarbeitung löschen. Defaults to True. process_wiki_steps (bool, optional): Soll der Wiki-Schritt in _process_single_row ausgeführt werden?. Defaults to True. process_chatgpt_steps (bool, optional): Sollen ChatGPT-Schritte in _process_single_row ausgeführt werden?. Defaults to True. process_website_steps (bool, optional): Soll der Website-Schritt in _process_single_row ausgeführt werden?. Defaults to True. # Fügen Sie hier ggf. weitere Parameter hinzu, wenn Sie granularere Schritte in _process_single_row haben. """ logging.info(f"Starte Re-Evaluierungsmodus (Spalte A = 'x'). Max. Zeilen: {row_limit if row_limit is not None else 'Unbegrenzt'}") # Logge, welche Schritte für Re-Eval ausgewählt wurden selected_steps_log = [] if process_wiki_steps: selected_steps_log.append("Wiki") if process_chatgpt_steps: selected_steps_log.append("ChatGPT") if process_website_steps: selected_steps_log.append("Website") logging.info(f"Ausgewählte Schritte für Re-Eval: {', '.join(selected_steps_log) if selected_steps_log else 'Keine ausgewählt!'} (force_reeval=True)") # Daten neu laden vor der Verarbeitung # ... (Code zum Laden der Daten, Finden der x-markierten Zeilen wie gehabt) ... if not self.sheet_handler.load_data(): return logging.error("Fehler beim Laden der Daten für Re-Evaluation.") all_data = self.sheet_handler.get_all_data_with_headers() header_rows = 5 if not all_data or len(all_data) <= header_rows: return logging.warning("Keine Daten für Re-Evaluation gefunden.") reeval_col_idx = COLUMN_MAP.get("ReEval Flag") if reeval_col_idx is None: return logging.critical("FEHLER: 'ReEval Flag' Spaltenindex nicht in COLUMN_MAP gefunden.") rows_to_process = [] for idx_in_list in range(header_rows, len(all_data)): row_data = all_data[idx_in_list] row_num_in_sheet = idx_in_list + 1 if len(row_data) > reeval_col_idx and str(row_data[reeval_col_idx]).strip().lower() == "x": rows_to_process.append({'row_num': row_num_in_sheet, 'data': row_data}) found_count = len(rows_to_process) logging.info(f"{found_count} Zeilen mit ReEval-Flag 'x' gefunden.") if found_count == 0: return logging.info("Keine Zeilen zur Re-Evaluation markiert.") processed_count = 0 updates_clear_flag = [] rows_actually_processed = [] for task in rows_to_process: if row_limit is not None and processed_count >= row_limit: logging.info(f"Zeilenlimit ({row_limit}) für Re-Evaluation erreicht. Breche weitere Verarbeitung ab.") break row_num = task['row_num'] row_data = task['data'] try: # RUFE _process_single_row MIT DEN NEUEN PARAMETERN AUF: self._process_single_row( row_num_in_sheet = row_num, row_data = row_data, process_wiki = process_wiki_steps, # <<< ÜBERGIBT DIE STEUERUNG process_chatgpt = process_chatgpt_steps, # <<< ÜBERGIBT DIE STEUERUNG process_website = process_website_steps, # <<< ÜBERGIBT DIE STEUERUNG force_reeval = True # <<< BLEIBT HIER TRUE FÜR RE-EVAL MODUS ) processed_count += 1 rows_actually_processed.append(row_num) # Vorbereiten des Updates zum Löschen des 'x'-Flags (wie gehabt) if clear_flag: flag_col_letter = self.sheet_handler._get_col_letter(reeval_col_idx + 1) if flag_col_letter: updates_clear_flag.append({'range': f'{flag_col_letter}{row_num}', 'values': [['']]}) else: logging.error(f"Fehler: Konnte Spaltenbuchstaben für 'ReEval Flag' ({reeval_col_idx+1}) nicht ermitteln.") except Exception as e_proc: logging.exception(f"FEHLER bei Re-Evaluation von Zeile {row_num}: {e_proc}") # Lösche Flags am Ende (wie gehabt) if clear_flag and updates_clear_flag: logging.info(f"Lösche ReEval-Flags für {len(updates_clear_flag)} erfolgreich verarbeitete Zeilen ({rows_actually_processed})...") success = self.sheet_handler.batch_update_cells(updates_clear_flag) if success: logging.info("ReEval-Flags erfolgreich gelöscht.") else: logging.error("FEHLER beim Löschen der ReEval-Flags.") logging.info(f"Re-Evaluierung abgeschlossen. {processed_count} Zeilen verarbeitet (Limit war: {row_limit}, Gefunden: {found_count}).") # --- Methode für SERP API Website Lookup --- # Diese Methode gehört in die Klasse def process_serp_website_lookup_for_empty(self): """ Sucht fehlende Websites (Spalte D ist leer oder "k.A.") via SERP API (Google Search) und trägt gefundene URLs in Spalte D ein. """ logging.info("Starte Modus: SERP API Website Lookup für leere Zellen in Spalte D.") # Daten neu laden if not self.sheet_handler.load_data(): logging.error("Fehler beim Laden der Daten für Website Lookup.") return data_rows = self.sheet_handler.get_data() # Datenzeilen ohne Header header_rows = 5 # Annahme total_rows_in_sheet = len(self.sheet_handler.get_all_data_with_headers()) # Gesamtzahl Zeilen rows_processed_count = 0 # Zählt Zeilen, wo ein Lookup versucht wurde updates = [] # Definiere die Spaltenindizes innerhalb der Methode try: website_col_idx = COLUMN_MAP["CRM Website"] name_col_idx = COLUMN_MAP["CRM Name"] website_col_letter = self.sheet_handler._get_col_letter(website_col_idx + 1) except KeyError as e: logging.critical(f"FEHLER: Benötigte Spalte '{e}' für Modus 'website_lookup' nicht in COLUMN_MAP.") return except Exception as e: logging.critical(f"FEHLER beim Holen der Spaltenbuchstaben für 'website_lookup': {e}") return # Iteriere über die Datenzeilen (ab der ersten möglichen Zeile, standard 7) # min_start_row = 7 # Ggf. als Parameter übergeben # search_start_data_index = max(0, min_start_row - header_rows - 1) # Annahme: Wir wollen alle Zeilen prüfen, nicht nur ab einer bestimmten for i, row in enumerate(data_rows): row_num_in_sheet = i + header_rows + 1 # 1-basierte Zeilennummer im Sheet # Sicherstellen, dass die Zeile lang genug ist, um auf die benötigten Spalten zuzugreifen if len(row) <= max(website_col_idx, name_col_idx): logging.debug(f"Zeile {row_num_in_sheet}: Übersprungen (Zeile zu kurz für benötigte Spalten).") continue current_website = row[website_col_idx] if len(row) > website_col_idx else "" # Prüfe, ob die Website-Spalte (D) leer, "k.A." oder nur Whitespace ist if not current_website or str(current_website).strip().lower() == "k.a.": company_name = row[name_col_idx] if len(row) > name_col_idx else "" if not company_name or str(company_name).strip() == "": logging.warning(f"Zeile {row_num_in_sheet}: Übersprungen (kein Firmenname in Spalte B für Lookup vorhanden).") continue logging.info(f"Zeile {row_num_in_sheet}: Suche Website für '{company_name}' in Spalte {self.sheet_handler._get_col_letter(name_col_idx+1)}...") # Annahme: serp_website_lookup existiert und nutzt logging/retry new_website = serp_website_lookup(company_name) rows_processed_count += 1 # Zähle jede Zeile, für die ein Lookup versucht wurde if new_website != "k.A.": # Füge Update für Spalte D hinzu updates.append({'range': f'{website_col_letter}{row_num_in_sheet}', 'values': [[new_website]]}) logging.info(f"Zeile {row_num_in_sheet}: Neue Website '{new_website}' gefunden und zum Update hinzugefügt.") else: # Optional: Markiere, dass kein Ergebnis gefunden wurde, falls nötig # updates.append({'range': f'{website_col_letter}{row_num_in_sheet}', 'values': [['k.A. (kein SERP Ergebnis)']}) # Beispiel logging.info(f"Zeile {row_num_in_sheet}: Keine Website via SERP gefunden.") # Kleine Pause nach jedem SERP-Aufruf time.sleep(getattr(Config, 'RETRY_DELAY', 5) * 0.3) # Sende gesammelte Updates in einem Batch if updates: logging.info(f"Sende Batch-Update für {len(updates)} Zellen ({rows_processed_count} Zeilen geprüft)...") # Annahme: sheet_handler.batch_update_cells existiert und nutzt logging/retry success = self.sheet_handler.batch_update_cells(updates) if success: logging.info("Batch-Update für 'website_lookup' erfolgreich.") # Der Fehlerfall wird von batch_update_cells geloggt else: logging.info("Keine fehlenden Websites gefunden oder keine Updates nötig.") logging.info(f"Modus 'website_lookup' abgeschlossen. {rows_processed_count} Zeilen geprüft.") # --- Methode für experimentelle Website Details --- # Diese Methode gehört in die Klasse def process_website_details_for_marked_rows(self): """ EXPERIMENTELL: Extrahiert Website-Details für Zeilen, die mit 'x' in Spalte A markiert sind. Schreibt die Details in eine definierte Spalte (Website Details oder AR als Fallback). Löscht NICHT das 'x'-Flag. """ logging.info("Starte Modus (EXPERIMENTELL): Website Detail Extraction für Zeilen mit 'x' in Spalte A.") # Daten neu laden if not self.sheet_handler.load_data(): logging.error("Fehler beim Laden der Daten für Website Details Extraction.") return data_rows = self.sheet_handler.get_data() # Datenzeilen ohne Header header_rows = 5 # Annahme total_rows_in_sheet = len(self.sheet_handler.get_all_data_with_headers()) # Gesamtzahl Zeilen rows_processed_count = 0 # Zählt Zeilen, wo eine Extraktion versucht wurde updates = [] # Definiere die Spaltenindizes try: reeval_col_idx = COLUMN_MAP["ReEval Flag"] website_col_idx = COLUMN_MAP["CRM Website"] # Versuche zuerst die dedizierte Spalte 'Website Details' details_col_idx = COLUMN_MAP.get("Website Details", None) if details_col_idx is None: # Fallback auf 'Website Rohtext' (AR) wenn 'Website Details' nicht in COLUMN_MAP details_col_idx = COLUMN_MAP.get("Website Rohtext") if details_col_idx is None: logging.critical("FEHLER: Weder 'Website Details' noch 'Website Rohtext' Spaltenindex in COLUMN_MAP gefunden.") return logging.warning("Keine Spalte 'Website Details' in COLUMN_MAP, nutze 'Website Rohtext' (AR) als Fallback.") details_col_letter = self.sheet_handler._get_col_letter(details_col_idx + 1) except KeyError as e: logging.critical(f"FEHLER: Benötigte Spalte '{e}' für Modus 'website_details' nicht in COLUMN_MAP.") return except Exception as e: logging.critical(f"FEHLER beim Holen der Spaltenbuchstaben für 'website_details': {e}") return # Iteriere über die Datenzeilen (ab der ersten möglichen Zeile, standard 7) for i, row in enumerate(data_rows): row_num_in_sheet = i + header_rows + 1 # 1-basierte Zeilennummer im Sheet # Prüfen, ob die Zeile mit 'x' in Spalte A markiert ist # Stelle sicher, dass die Zeile lang genug ist für Spalte A if len(row) <= reeval_col_idx or str(row[reeval_col_idx]).strip().lower() != "x": # Logging kann hier sehr laut sein, nur bei Bedarf aktivieren # logging.debug(f"Zeile {row_num_in_sheet}: Übersprungen (Kein 'x' in Spalte A).") continue # Prüfen, ob eine gültige Website-URL vorhanden ist website_url = "" if len(row) > website_col_idx: website_url = row[website_col_idx] if not website_url or str(website_url).strip().lower() == "k.a.": logging.warning(f"Zeile {row_num_in_sheet}: Übersprungen (keine gültige Website in Spalte {self.sheet_handler._get_col_letter(website_col_idx+1)} vorhanden).") continue logging.info(f"Zeile {row_num_in_sheet}: Extrahiere Website Details von {website_url}...") rows_processed_count += 1 # Zähle jede Zeile, für die Extraktion versucht wird try: # Annahme: Funktion scrape_website_details existiert # Diese Funktion MUSS außerhalb der Klasse definiert sein, # es sei denn, sie wird auch als Methode des DataProcessors gesehen. # Angenommen, sie ist eine unabhängige Helper-Funktion. details = scrape_website_details(website_url) except NameError: logging.critical("FEHLER: Funktion 'scrape_website_details' ist nicht definiert! Kann Details nicht extrahieren.") details = "FEHLER: Funktion 'scrape_website_details' nicht definiert" # Fehler hier abfangen, damit der Prozess nicht abstürzt, aber trotzdem loggen except Exception as e_detail: logging.exception(f"Fehler bei scrape_website_details für {website_url}: {e_detail}") details = f"FEHLER: {e_detail}" # Füge Update für die Details-Spalte hinzu # Stelle sicher, dass der Wert in einen String konvertiert wird, falls scrape_website_details z.B. ein Dict zurückgibt updates.append({'range': f'{details_col_letter}{row_num_in_sheet}', 'values': [[str(details)]]}) logging.info(f"Zeile {row_num_in_sheet}: Details extrahiert und zum Update für Spalte {details_col_letter} hinzugefügt.") # Kleine Pause nach jeder Extraktion time.sleep(getattr(Config, 'RETRY_DELAY', 5) * 0.2) # Sende gesammelte Updates in einem Batch if updates: logging.info(f"Sende Batch-Update für {len(updates)} Zellen ({rows_processed_count} Zeilen geprüft)...") # Annahme: sheet_handler.batch_update_cells existiert und nutzt logging/retry success = self.sheet_handler.batch_update_cells(updates) if success: logging.info("Batch-Update für 'website_details' erfolgreich.") # Der Fehlerfall wird von batch_update_cells geloggt else: logging.info("Keine mit 'x' markierten Zeilen gefunden oder keine Updates nötig.") logging.info(f"Modus 'website_details' abgeschlossen. {rows_processed_count} Zeilen geprüft.") # --- Methode zur Datenvorbereitung für ML --- # Diese Methode gehört in die Klasse def prepare_data_for_modeling(self): """ Lädt Daten aus dem Google Sheet über den sheet_handler, bereitet sie für das Decision Tree Modell vor: - Wählt relevante Spalten aus. - Konsolidiert Umsatz/Mitarbeiter (Wiki > CRM Priorität). - Filert nach gültiger Technikerzahl (> 0). - Erstellt die Zielvariable (Techniker-Bucket). - Bereitet Features auf (One-Hot Encoding für Branche). - Behält NaNs in numerischen Features für spätere Imputation. Args: # Kein sheet_handler Parameter mehr nötig, da es eine Methode ist und self.sheet_handler nutzt Returns: pandas.DataFrame: Vorbereiteter DataFrame für Training/Test-Split, oder None bei Fehlern. """ logging.info("Starte Datenvorbereitung für Modellierung...") # Nutze den self.sheet_handler der Klasse if not self.sheet_handler or not self.sheet_handler.sheet_values: logging.error("Fehler: Sheet Handler nicht initialisiert oder keine Daten geladen für prepare_data_for_modeling.") # Versuche die Daten einmalig innerhalb dieser Methode zu laden, falls sie fehlen if not self.sheet_handler.load_data(): logging.critical("Konnte Daten auch nach erneutem Versuch nicht laden. Abbruch der Datenvorbereitung.") return None all_data = self.sheet_handler.get_all_data_with_headers() # Nutze die im Handler geladenen Daten # Prüfe auf ausreichende Zeilenzahl (Header + mindestens eine Datenzeile) min_required_rows = 6 # 5 Header + 1 Datenzeile if not all_data or len(all_data) < min_required_rows: logging.error(f"Fehler: Nicht genügend Datenzeilen ({len(all_data)}) im Sheet gefunden für Modellierung (mindestens {min_required_rows} benötigt).") return None try: # Die erste Zeile sollte die Spaltennamen enthalten headers = all_data[0] # Stelle sicher, dass die Header-Zeile auch die erwartete Mindestlänge hat, # um die Spaltenindizes aus COLUMN_MAP zu finden if len(headers) <= max(COLUMN_MAP.values()): logging.critical(f"FEHLER: Header-Zeile ({len(headers)} Spalten) ist kürzer als der höchste Index in COLUMN_MAP ({max(COLUMN_MAP.values())}). COLUMN_MAP passt nicht zum Sheet.") return None except IndexError: logging.critical("FEHLER: Sheet scheint leer zu sein oder hat keine erste Zeile, keine Header gefunden.") return None except ValueError as e: logging.critical(f"FEHLER: Ungültiger Wert in COLUMN_MAP. Kann max Index nicht ermitteln: {e}") return None except Exception as e: logging.critical(f"FEHLER beim Zugriff auf Header oder Prüfen der Spaltenlänge: {e}") return None data_rows = all_data[5:] # Annahme: Die ersten 5 Zeilen sind Header # Erstelle DataFrame df = pd.DataFrame(data_rows, columns=headers) logging.info(f"Initialen DataFrame für Modellierung erstellt mit {len(df)} Zeilen und {len(df.columns)} Spalten.") # --- Spaltenauswahl und Umbenennung --- # Definiere die notwendigen Spalten und ihre gewünschten Namen im DataFrame col_keys = { "name": "CRM Name", # Zur Identifikation, wird später entfernt "branche": "CRM Branche", # Für One-Hot Encoding "umsatz_crm": "CRM Umsatz", # Für Konsolidierung "umsatz_wiki": "Wiki Umsatz", # Für Konsolidierung "ma_crm": "CRM Anzahl Mitarbeiter", # Für Konsolidierung "ma_wiki": "Wiki Mitarbeiter", # Für Konsolidierung "techniker": "CRM Anzahl Techniker" # DIE ZIELVARIABLE (Bekannte Technikerzahl) } # Überprüfe, ob alle benötigten Spalten in der COLUMN_MAP vorhanden sind missing_keys = [key for key in col_keys.values() if key not in COLUMN_MAP] if missing_keys: logging.critical(f"FEHLER: Folgende benötigte Spalten-Schlüssel fehlen in COLUMN_MAP für prepare_data_for_modeling: {missing_keys}.") return None # Erstelle das Mapping von Header-Namen zu internen Schlüsseln header_to_internal_key = {headers[COLUMN_MAP[key]]: internal_key for internal_key, key in col_keys.items()} # Wähle nur die benötigten Spalten im DataFrame aus # Verwende die tatsächlichen Header-Namen aus dem Sheet für die Auswahl cols_to_select_by_header = [headers[COLUMN_MAP[key]] for key in col_keys.values()] try: df_subset = df[cols_to_select_by_header].copy() # Kopie erstellen # Benenne die Spalten um df_subset.rename(columns=header_to_internal_key, inplace=True) except KeyError as e: # Dieser Fehler sollte eigentlich durch die obige Prüfung abgefangen werden, # aber zur Sicherheit ein weiterer Check logging.critical(f"FEHLER beim Auswählen/Umbenennen der Spalten (KeyError: {e}). Verfügbare Header im DF: {list(df.columns)}") return None except Exception as e: logging.critical(f"Unerwarteter FEHLER beim Auswählen/Umbenennen der Spalten: {e}") return None logging.info(f"Benötigte Spalten für Modellierung ausgewählt und umbenannt: {list(df_subset.columns)}") # --- Features konsolidieren (Umsatz, Mitarbeiter) --- # Annahme: extract_numeric_value existiert und kann pd.Series verarbeiten (oder wird per apply genutzt) # (Ihre Implementierung nutzt apply, was korrekt ist) def get_valid_numeric(value_str): """Hilfsfunktion zur sicheren Konvertierung mit Fehlerbehandlung.""" if value_str is None or pd.isna(value_str) or str(value_str).strip() == '': return np.nan # Annahme: extract_numeric_value existiert und gibt string 'k.A.' oder Zahl-String zurück # Wir brauchen aber einen numerischen Wert oder np.nan try: # Versuche direkt die logik aus extract_numeric_value hier zu verwenden raw_value_str = str(value_str) processed_value = clean_text(raw_value_str) # Annahme: clean_text existiert if processed_value == "k.A.": return np.nan # Anpassung hier: Entferne auch Apostroph (tausendertrenner) processed_value = re.sub(r'(?i)^\s*(ca\.?|circa|rund|etwa|über|unter|mehr als|weniger als|bis zu)\s+', '', processed_value) processed_value = re.sub(r'[€$£¥]', '', processed_value).strip() # Split bei Bindestrich (Umsatzspanne), nur ersten Teil nehmen processed_value = re.split(r'\s*(-|–|bis)\s*', processed_value, 1)[0].strip() processed_value = processed_value.replace('.', '').replace("'", "") # Entferne Punkte UND Apostrophe als Tausendertrenner processed_value = processed_value.replace(',', '.') # Ersetze Komma durch Punkt für Dezimaltrennung match = re.search(r'([\d.]+)', processed_value) if not match: return np.nan # Keine numerischen Zeichen gefunden num_str = match.group(1) # Zusätzliche Prüfung: String darf nicht nur ein Punkt sein if not num_str or num_str == '.': return np.nan num = float(num_str) # Konvertiere zum float # --- Einheiten-Multiplikatoren (Mrd, Mio, Tsd) --- multiplier = 1.0 original_lower = raw_value_str.lower() # Nutze den Originalstring für Einheiten if "mrd" in original_lower or "milliarden" in original_lower or "billion" in original_lower: multiplier = 1000000000.0 elif "mio" in original_lower or "millionen" in original_lower or "mill." in original_lower: multiplier = 1000000.0 elif "tsd" in original_lower or "tausend" in original_lower: multiplier = 1000.0 num = num * multiplier # Optional: Runden auf ganze Zahlen für Mitarbeiter, Umsatz in Mio. # Die extract_numeric_value Funktion hat das gemacht. Hier brauchen wir rohe Zahlen für Imputation. # Also einfach den num zurückgeben return num if num > 0 else np.nan # Nur positive Werte sind gültig except (ValueError, TypeError) as e: # Logge auf DEBUG, da dies oft vorkommt # logging.debug(f"Konntze Wert '{str(value_str)[:50]}...' nicht als gültige Zahl parsen: {e}") return np.nan except Exception as e: logging.warning(f"Unerwarteter Fehler in get_valid_numeric für Wert '{str(value_str)[:50]}...': {e}") return np.nan 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(): logging.info(f"Verarbeite und konsolidiere '{base_name}' (Priorität: Wiki > CRM)...") # Sicherstellen, dass Spalten existieren (get_valid_numeric behandelt None) 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 wählt den ersten Wert, wenn er nicht NaN ist, sonst den zweiten df_subset[final_col] = np.where( wiki_series.notna(), wiki_series, crm_series ) # Info-Log über Ergebnis logging.info(f" -> {df_subset[final_col].notna().sum()} gültige '{final_col}' Werte erstellt (von {len(df_subset)} Zeilen).") # --- Zielvariable vorbereiten (Technikerzahl) --- techniker_col = "techniker" # Interne Spaltenname nach Umbenennung logging.info(f"Verarbeite Zielvariable '{techniker_col}'...") # Konvertiere zu Numerisch (Fehler -> NaN) # Sicherstellen, dass die Spalte existiert if techniker_col not in df_subset.columns: logging.critical(f"FEHLER: Zielvariable '{techniker_col}' (CRM Anzahl Techniker) nicht im DataFrame gefunden nach Umbenennung.") return None df_subset['Anzahl_Servicetechniker_Numeric'] = pd.to_numeric(df_subset[techniker_col], errors='coerce') # Filtere Zeilen: Behalte nur die mit gültiger, positiver Technikerzahl initial_rows = len(df_subset) df_filtered = df_subset[ df_subset['Anzahl_Servicetechniker_Numeric'].notna() & (df_subset['Anzahl_Servicetechniker_Numeric'] > 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: logging.info(f"{removed_rows} Zeilen entfernt aufgrund fehlender/ungültiger Technikerzahl (Wert <= 0 oder nicht numerisch).") logging.info(f"Verbleibende Zeilen für Modellierung (mit gültiger Technikerzahl > 0): {filtered_rows}") if filtered_rows == 0: logging.error("FEHLER: Keine Zeilen mit gültiger Technikerzahl (>0) übrig für Modellierung!") return None # --- Techniker-Buckets erstellen --- # Die Bins und Labels müssen die gefilterten Daten widerspiegeln (die jetzt alle > 0 sind) # Wenn die Buckets 0 beinhalten, muss die Bin-Definition angepasst werden. # Aktuelle Definition: [-1, 0, 19, 49, 99, 249, 499, float('inf')] # labels = ['Bucket_1_(0)', 'Bucket_2_(<20)', 'Bucket_3_(<50)', 'Bucket_4_(<100)', 'Bucket_5_(<250)', 'Bucket_6_(<500)', 'Bucket_7_(>499)'] # Da wir auf > 0 filtern, wird Bucket_1_(0) nie erreicht. # Bins und Labels anpassen, wenn 0 ignoriert wird? # Nein, die Labels repräsentieren Bereiche, auch wenn ein Bereich im Trainingsset nicht vorkommt. # Wichtig ist, dass die Bins Sinn ergeben. -1 bis 0 fängt 0, 0 bis 19 fängt 1-19 etc. # Wenn wir auf >0 filtern, wird alles < 19 in den 2. Bucket fallen, alles >=1 und <20. # Die Bin-Definition [-1, 0, 19, 49, ...] bedeutet eigentlich: # (-1, 0] -> <= 0 # (0, 19] -> >0 und <= 19 # (19, 49] -> >19 und <= 49 # ... # Passt zur Filterung > 0. bins = [-1, 0, 19, 49, 99, 249, 499, float('inf')] labels = ['Bucket_1_(0)', 'Bucket_2_(<20)', 'Bucket_3_(<50)', 'Bucket_4_(<100)', 'Bucket_5_(<250)', 'Bucket_6_(<500)', 'Bucket_7_(>499)'] # Ensure labels match expected categories if buckets are used differently # For DecisionTree classification, the target should be discrete labels. # Let's assume the labels are the desired outcome categories. df_filtered['Techniker_Bucket'] = pd.cut( df_filtered['Anzahl_Servicetechniker_Numeric'], bins=bins, labels=labels, right=True, # Das Intervall ist (linker, rechter]. also (0, 19] include_lowest=True # Wenn bins mit -1 starten, inkludiere den niedrigsten Wert (nicht relevant bei >0 Filterung) ) logging.info("Techniker-Buckets erstellt.") # Verteilung als Info-Log logging.info(f"Verteilung der Techniker-Buckets im Trainingsdatensatz:\n{df_filtered['Techniker_Bucket'].value_counts(normalize=True).round(3)}") # Prüfe, ob NaNs in Buckets erstellt wurden (sollte bei >0 Filterung nicht passieren) if df_filtered['Techniker_Bucket'].isna().any(): logging.warning("WARNUNG: NaNs in Techniker-Buckets erstellt. Überprüfen Sie die bins/labels und die Filterung.") # Optional: Zeilen mit NaN im Bucket entfernen df_filtered.dropna(subset=['Techniker_Bucket'], inplace=True) logging.info(f"Nach Entfernung von NaN Buckets: {len(df_filtered)} Zeilen verbleiben.") if len(df_filtered) == 0: logging.error("FEHLER: Keine Zeilen übrig nach Entfernung von NaN Buckets.") return None # --- Kategoriale Features vorbereiten (Branche) --- branche_col = "branche" # Interne Spaltenname logging.info(f"Verarbeite kategoriales Feature '{branche_col}' für One-Hot Encoding...") # Stelle sicher, dass die Spalte String ist und fülle evtl. NaNs mit 'Unbekannt' if branche_col not in df_filtered.columns: logging.warning(f"Spalte '{branche_col}' nicht im DataFrame, One-Hot Encoding wird übersprungen.") # Erstelle eine leere Spalte oder überspringe die One-Hot Encoding # Lassen Sie es hier abstürzen, da Branche ein wichtiges Feature ist. logging.critical(f"FEHLER: Spalte '{branche_col}' nicht im DataFrame für One-Hot Encoding gefunden.") return None df_filtered[branche_col] = df_filtered[branche_col].astype(str).fillna('Unbekannt').str.strip() # .str.strip() hinzugefügt # One-Hot Encoding # dummy_na=False, da wir NaNs gefüllt haben. # prefix='Branche' ist gut. df_encoded = pd.get_dummies(df_filtered, columns=[branche_col], prefix='Branche', dummy_na=False) logging.info(f"One-Hot Encoding für '{branche_col}' durchgeführt. Neue Spaltenanzahl: {len(df_encoded.columns)}") # --- Finale Auswahl der Features für das Modell --- # Merke dir die Feature-Spalten, die tatsächlich für das Training verwendet werden sollen feature_columns = [col for col in df_encoded.columns if col.startswith('Branche_')] # Alle One-Hot Branch-Spalten feature_columns.extend(['Finaler_Umsatz', 'Finaler_Mitarbeiter']) # Hinzufügen der numerischen Features # Prüfe, ob die Final-Spalten existieren (sollten sie, wurden oben erstellt) if not all(col in df_encoded.columns for col in ['Finaler_Umsatz', 'Finaler_Mitarbeiter']): logging.critical("FEHLER: Konsolidierte numerische Spalten 'Finaler_Umsatz' oder 'Finaler_Mitarbeiter' fehlen im DataFrame.") return None target_column = 'Techniker_Bucket' # Zielvariable # Erstelle den finalen DataFrame mit den Features, dem Target und Identifikationsspalten # Behalte Originaldaten (Name, tatsächliche Technikerzahl) für spätere Analyse / Zuordnung original_data_cols = ['name', 'Anzahl_Servicetechniker_Numeric'] # 'name' nach Umbenennung # Stelle sicher, dass die original_data_cols auch existieren if not all(col in df_encoded.columns for col in original_data_cols): logging.critical(f"FEHLER: Originaldaten-Spalten {original_data_cols} fehlen im DataFrame.") return None df_model_ready = df_encoded[original_data_cols + feature_columns + [target_column]].copy() # Optional: Konvertiere numerische Spalten explizit zu Float64 for col in ['Finaler_Umsatz', 'Finaler_Mitarbeiter', 'Anzahl_Servicetechniker_Numeric']: if col in df_model_ready.columns: # Sicherheitscheck df_model_ready[col] = pd.to_numeric(df_model_ready[col], errors='coerce') # errors='coerce' wandelt Fehler in NaN # Reset Index für saubere Verarbeitung im nächsten Schritt (z.B. Train/Test-Split) df_model_ready = df_model_ready.reset_index(drop=True) logging.info("Datenvorbereitung für Modellierung abgeschlossen.") logging.info(f"Finaler DataFrame für Modellierung hat {len(df_model_ready)} Zeilen und {len(df_model_ready.columns)} Spalten.") # Logge die Anzahl der Feature-Spalten, nicht die Liste logging.info(f"Anzahl Feature-Spalten: {len(feature_columns)}") logging.info(f"Ziel-Spalte: {target_column}") # WICHTIG: Info über fehlende Werte in den finalen numerischen Features vor Imputation nan_counts = df_model_ready[['Finaler_Umsatz', 'Finaler_Mitarbeiter']].isna().sum() logging.info(f"Fehlende Werte in numerischen Features vor Imputation:\n{nan_counts}") # Logge auch, wie viele Zeilen *mindestens* einen NaN haben rows_with_nan = df_model_ready[['Finaler_Umsatz', 'Finaler_Mitarbeiter']].isna().any(axis=1).sum() logging.info(f"Anzahl Zeilen mit mindestens einem fehlenden numerischen Feature: {rows_with_nan}") return df_model_ready # --- Methode für sequenzielle Verarbeitung (full_run) --- # Diese Methode gehört in die Klasse def process_rows_sequentially(self, start_data_index, num_to_process, process_wiki=True, process_chatgpt=True, process_website=True): """ Verarbeitet eine feste Anzahl von Zeilen beginnend bei einem bestimmten Datenindex sequenziell, eine nach der anderen, unter Verwendung von _process_single_row. Prüft KEINE Timestamps oder ReEval-Flags intern, _process_single_row tut dies. Args: start_data_index (int): Der 0-basierte Index in der Datenliste (ohne Header). num_to_process (int): Die maximale Anzahl der zu verarbeitenden Zeilen. process_wiki (bool, optional): Soll Wiki-Verarbeitung durchgeführt werden?. Defaults to True. process_chatgpt (bool, optional): Sollen ChatGPT-Evaluationen durchgeführt werden?. Defaults to True. process_website (bool, optional): Soll Website-Verarbeitung durchgeführt werden?. Defaults to True. """ header_rows = 5 # Annahme logging.info(f"Starte sequenzielle Verarbeitung von {num_to_process} Zeilen ab Daten-Index {start_data_index}...") # Lade Daten einmalig vor der Verarbeitung if not self.sheet_handler.load_data(): logging.error("Fehler beim Laden der Daten für sequenzielle Verarbeitung.") return all_data = self.sheet_handler.get_all_data_with_headers() total_data_rows = len(all_data) - header_rows if start_data_index >= total_data_rows: logging.warning(f"Start-Datenindex {start_data_index} liegt außerhalb der verfügbaren Daten ({total_data_rows} Datenzeilen). Keine Verarbeitung.") return # Berechne den tatsächlichen End-Datenindex (exklusiv) end_data_index = min(start_data_index + num_to_process, total_data_rows) logging.info(f"Sequenzielle Verarbeitung: Daten-Index Bereich [{start_data_index}, {end_data_index})") # Übersetze in Sheet-Zeilennummern für Logging start_sheet_row = start_data_index + header_rows + 1 end_sheet_row_inclusive = end_data_index + header_rows # Das Ende ist exklusiv, also ist die letzte Zeile am Index end_data_index-1 logging.info(f"Entsprechende Sheet-Zeilen (1-basiert): {start_sheet_row} bis {end_sheet_row_inclusive}") processed_count = 0 # Iteriere über die Datenzeilen im angegebenen Bereich for i in range(start_data_index, end_data_index): row_num_in_sheet = i + header_rows + 1 # 1-basierte Zeilennummer row_data = all_data[i + header_rows] # Tatsächliche Zeilendaten aus der Gesamtliste try: # Rufe die Methode zur Verarbeitung einer einzelnen Zeile auf # _process_single_row wird intern die Timestamps prüfen (außer force_reeval) self._process_single_row(row_num_in_sheet, row_data, process_wiki=process_wiki, process_chatgpt=process_chatgpt, process_website=process_website, force_reeval=False) # Im full_run Modus normalerweise KEIN Re-Eval erzwingen processed_count += 1 except Exception as e_proc: # Logge den spezifischen Fehler für diese Zeile, fahre aber fort logging.exception(f"FEHLER bei sequenzieller Verarbeitung von Zeile {row_num_in_sheet}: {e_proc}") # Optional: Hier könnte man ein Flag in der Zeile setzen, um den Fehler zu markieren logging.info(f"Sequenzielle Verarbeitung abgeschlossen. {processed_count} Zeilen verarbeitet im Bereich [{start_data_index}, {end_data_index}).") # ==================== MAIN FUNCTION ==================== # ==================== MAIN FUNCTION ==================== # Diese Funktion ist der Haupteinstiegspunkt des Skripts. def main(): # WICHTIG: Global LOG_FILE wird benötigt, aber erst nach Arg-Parsing gesetzt. global LOG_FILE # --- Initial Logging Setup (Konfiguration von Level und Format) --- # Diese Konfiguration wird wirksam, sobald die Handler hinzugefügt werden. import logging log_level = logging.DEBUG # Explizit DEBUG setzen für detaillierte Logs log_format = '%(asctime)s - %(levelname)-8s - %(name)-15s - %(message)s' # Angepasstes Format # Root-Logger konfigurieren (noch ohne File Handler) # handlers=[] verhindert default Console Handler, wir fügen ihn manuell hinzu logging.basicConfig(level=log_level, format=log_format, handlers=[]) # Console Handler explizit hinzufügen console_handler = logging.StreamHandler() console_handler.setLevel(log_level) # Nimm das globale Level console_handler.setFormatter(logging.Formatter(log_format)) logging.getLogger('').addHandler(console_handler) # Füge zum Root-Logger hinzu # --- Ende Initial Logging Setup --- # Testnachricht (geht nur an Konsole, da File Handler noch fehlt) logging.debug("DEBUG Logging initial konfiguriert (nur Konsole).") logging.info("INFO Logging initial konfiguriert (nur Konsole).") # --- Initialisierung (Argument Parser etc.) --- # Version hier (sollte mit Config.VERSION übereinstimmen) current_script_version = "v1.6.6" # <-- ANPASSEN, wenn Config.VERSION geändert wird parser = argparse.ArgumentParser(description=f"Firmen-Datenanreicherungs-Skript {current_script_version}") # Liste der gültigen Modi (basierend auf Ihrer aktuellen v1.6.6 + dem neuen Modus) valid_modes = [ "combined", "wiki", "website", "branch", "summarize", "reeval", "website_lookup", "website_details", "contacts", "full_run", "alignment", "train_technician_model", "update_wiki", "find_wiki_serp", "wiki_reextract" # <<< NEUER MODUS HIER HINZUGEFÜGT ] # Stellen Sie sicher, dass diese Liste mit denelif-Zweigen unten übereinstimmt. parser.add_argument("--mode", type=str, help=f"Betriebsmodus ({', '.join(valid_modes)})") parser.add_argument("--limit", type=int, help="Maximale Anzahl zu verarbeitender Zeilen", default=None) # start_row wird primär für full_run verwendet, kann aber generell hilfreich sein parser.add_argument("--start_row", type=int, help="Startzeile im Sheet (1-basiert) für sequenzielle Modi", default=None) # NEUES ARGUMENT für den Re-Eval Modus zur Auswahl der Schritte # Standard ist "wiki,chat,web", um das bisherige Verhalten zu imitieren # Mögliche Werte für die Schritte: 'wiki', 'chat', 'web' (entsprechend den Parametern in _process_single_row) parser.add_argument("--steps", type=str, help="Komma-getrennte Liste der Schritte im 'reeval' Modus (z.B. 'wiki,chat,web'). Mögliche Schritte: wiki, chat, web.", default="wiki,chat,web") # Argumente für find_wiki_serp (falls über CLI gesteuert) parser.add_argument("--min_umsatz", type=int, help="Mindestumsatz in Mio € für find_wiki_serp", default=200) parser.add_argument("--min_employees", type=int, help="Mindestmitarbeiterzahl für find_wiki_serp", default=500) # Argumente für train_technician_model parser.add_argument("--model_out", type=str, default=MODEL_FILE, help=f"Pfad für Modell (.pkl)") parser.add_argument("--imputer_out", type=str, default=IMPUTER_FILE, help=f"Pfad für Imputer (.pkl)") parser.add_argument("--patterns_out", type=str, default=PATTERNS_FILE_TXT, help=f"Pfad für Regeln (.txt)") # TODO: Fügen Sie hier weitere CLI-Argumente hinzu, falls andere Modi Parameter benötigen (z.B. für Kriterien-Modus) args = parser.parse_args() # Lade API Keys direkt am Anfang Config.load_api_keys() # Nutzt jetzt logging intern # --- Logdatei-Konfiguration abschließen --- # Bestimmen Sie den Log-Modus Namen basierend auf CLI oder Interaktion # Wir nutzen den CLI Modus Namen, wenn er gesetzt ist, sonst einen Platzhalter. # Der tatsächliche Modus wird unten ermittelt und geloggt. log_mode_name = args.mode if args.mode else "interactive" LOG_FILE = create_log_filename(log_mode_name) # Annahme: create_log_filename ist global try: file_handler = logging.FileHandler(LOG_FILE, mode='a', encoding='utf-8') file_handler.setLevel(log_level) # Nimm das globale Level file_handler.setFormatter(logging.Formatter(log_format)) # Füge FileHandler zum Root-Logger hinzu logging.getLogger('').addHandler(file_handler) logging.info(f"Logging wird jetzt auch in Datei geschrieben: {LOG_FILE}") except Exception as e: # Logge Fehler nur auf Konsole, da FileHandler fehlgeschlagen ist print(f"[ERROR] Konnte FileHandler für Logdatei '{LOG_FILE}' nicht erstellen: {e}") logging.getLogger('').handlers = [h for h in logging.getLogger('').handlers if not isinstance(h, logging.FileHandler)] # Entferne evtl. defekten Handler logging.error(f"Konnte FileHandler für Logdatei '{LOG_FILE}' nicht erstellen: {e}") # --- JETZT die Startmeldungen loggen (gehen jetzt in Konsole UND Datei) --- logging.info(f"===== Skript gestartet =====") logging.info(f"Version: {Config.VERSION}") # Sollte jetzt v1.6.6 sein # Der Modus wird später vom Dispatcher geloggt logging.info(f"Logdatei: {LOG_FILE}") # Loggen Sie auch die Re-Eval Schritte, wenn das Argument gesetzt ist (unabhängig vom gewählten Modus, zur Info) if 'steps' in args and args.steps: logging.info(f"CLI Argument --steps: '{args.steps}' (relevant für 'reeval' Modus)") if 'min_umsatz' in args: logging.info(f"CLI Argument --min_umsatz: {args.min_umsatz}") if 'min_employees' in args: logging.info(f"CLI Argument --min_employees: {args.min_employees}") if 'model_out' in args: logging.info(f"CLI Argument --model_out: '{args.model_out}'") # ... loggen Sie weitere relevante CLI Argumente # --- Vorbereitung (Schema, Sheet Handler etc.) --- load_target_schema() # Annahme: load_target_schema ist global definiert try: sheet_handler = GoogleSheetHandler() # Annahme: GoogleSheetHandler ist global definiert except Exception as e: logging.critical(f"FATAL: Initialisierung des GoogleSheetHandlers fehlgeschlagen: {e}") logging.critical(f"Bitte Logdatei prüfen: {LOG_FILE}") return # Beende Skript, wenn Sheet nicht geladen werden kann try: # Initialisiere WikipediaScraper hier, da er an DataProcessor übergeben werden muss wiki_scraper = WikipediaScraper() # Annahme: WikipediaScraper ist global definiert und benötigt keine Parameter oder nutzt Config except Exception as e: logging.critical(f"FATAL: Initialisierung des WikipediaScrapers fehlgeschlagen: {e}") logging.critical(f"Bitte Logdatei prüfen: {LOG_FILE}") # Das Skript kann ohne Wiki Scraper nicht sinnvoll laufen return # Initialisiere DataProcessor Instanz mit Handlern # PASSEN SIE DIESEN AUFRUF AN DIE TATSÄCHLICHE __init__ SIGNATUR IHRER DataProcessor Klasse an # In v1.6.6 nahm sie nur sheet_handler entgegen. Für den Refactoring-Plan soll sie wiki_scraper auch nehmen. # Für diese Übergangsversion halten wir uns an die v1.6.6 Signatur (nur sheet_handler) # ABER: Methoden IN DataProcessor (wie _process_single_row) brauchen den wiki_scraper! # Das bedeutet, wiki_scraper muss in __init__ übergeben und als self.wiki_scraper gespeichert werden. # KORRIGIEREN SIE DataProcessor.__init__ ZU: def __init__(self, sheet_handler, wiki_scraper): data_processor = DataProcessor(sheet_handler, wiki_scraper) # <<< KORRIGIERTER AUFRUF # --- Modusauswahl und Ausführung --- start_time = time.time() logging.info(f"Starte Verarbeitung um {datetime.now().strftime('%H:%M:%S')}...") mode = None # Wird aus CLI oder Interaktion ermittelt # --- Ermitteln des zu führenden Modus (CLI hat Priorität) --- if args.mode: mode = args.mode.lower() if mode not in valid_modes: logging.error(f"Ungültiger Modus '{args.mode}' über Kommandozeile angegeben. Gültige Modi: {', '.join(valid_modes)}") print(f"Fehler: Ungültiger Modus '{args.mode}'. Siehe --help.") return # Skript beenden logging.info(f"Betriebsmodus (CLI gewählt): {mode}") else: # --- Interaktive Modusauswahl --- print("\nBitte wählen Sie den Betriebsmodus:") # Zeigen Sie die Liste der validen Modi an for i, m in enumerate(valid_modes): print(f" {i+1}: {m}") while mode is None: # Schleife, bis ein gültiger Modus gewählt wurde try: mode_input = input(f"Geben Sie den Modusnamen oder die Zahl ein: ").strip().lower() try: mode_index = int(mode_input) if 1 <= mode_index <= len(valid_modes): mode = valid_modes[mode_index - 1] else: print("Ungültige Zahl.") except ValueError: if mode_input in valid_modes: mode = mode_input else: print("Ungültige Eingabe.") if mode: logging.info(f"Betriebsmodus (interaktiv gewählt): {mode}") # Wenn mode None bleibt, Schleife läuft weiter except Exception as e: logging.error(f"Fehler bei interaktiver Modus-Eingabe: {e}"); return # Skript beenden print(f"Fehler Modus-Eingabe ({e}).") # --- Ausführung des gewählten Modus --- try: # Rufen Sie die entsprechenden Funktionen/Methoden auf basierend auf dem gewählten 'mode' # Die Aufrufe hier werden auf die 'data_processor' Instanz umgestellt, # da die Funktionen jetzt Methoden dieser Klasse sind (oder es sein sollten). if mode == "combined": # Der combined Mode war ein globaler run_dispatcher Aufruf. # run_dispatcher sollte eine Methode in DataProcessor sein. data_processor.run_batch_dispatcher(mode="combined", limit=args.limit) # Annahme: run_batch_dispatcher existiert in DataProcessor elif mode == "wiki": # Entspricht dem Batch-Modus Wiki Verifizierung (AX) # process_verification_only sollte jetzt data_processor.process_verification_batch sein data_processor.process_verification_batch(limit=args.limit) elif mode == "website": # Entspricht dem Batch-Modus Website Scraping (AT) # process_website_batch sollte jetzt data_processor.process_website_batch sein data_processor.process_website_batch(limit=args.limit) elif mode == "summarize": # Entspricht dem Batch-Modus Website Summarization (AS) # process_website_summarization_batch sollte jetzt data_processor.process_summarization_batch sein data_processor.process_summarization_batch(limit=args.limit) elif mode == "branch": # Entspricht dem Batch-Modus Branchen-Einstufung (AO) # process_branch_batch sollte jetzt data_processor.process_branch_batch sein data_processor.process_branch_batch(limit=args.limit) elif mode == "reeval": # process_reevaluation_rows if args.limit is not None and args.limit <= 0: logging.info(f"Limit {args.limit} angegeben im Re-Eval Modus. Überspringe Verarbeitung.") else: # Parse das neue --steps Argument steps_list = [step.strip().lower() for step in args.steps.split(',')] # Mappen Sie die CLI-Schrittnamen auf die Parameter von process_reevaluation_rows # Die Parameter in process_reevaluation_rows (v1.6.6 Anpassung) sind: # process_wiki_steps, process_chatgpt_steps, process_website_steps process_wiki_flag = 'wiki' in steps_list process_chatgpt_flag = 'chat' in steps_list process_website_flag = 'web' in steps_list # Wenn Ihre process_reevaluation_rows weitere boolsche Flags akzeptiert, mappen Sie die entsprechenden CLI-Namen hier. # Rufen Sie process_reevaluation_rows mit den ausgelesenen Flags auf # process_reevaluation_rows ist eine Methode in DataProcessor. data_processor.process_reevaluation_rows( row_limit=args.limit, clear_flag=True, # Standardmäßig Flag 'x' löschen process_wiki_steps=process_wiki_flag, # <<< ÜBERGIBT DIE STEUERUNG process_chatgpt_steps=process_chatgpt_flag, # <<< ÜBERGIBT DIE STEUERUNG process_website_steps=process_website_flag # Wenn Ihre process_reevaluation_rows weitere Parameter hat, übergeben Sie diese hier ) elif mode == "website_lookup": # process_serp_website_lookup_for_empty sollte jetzt data_processor.process_serp_website_lookup sein data_processor.process_serp_website_lookup(limit=args.limit) # Fügen Sie hier den Limit Parameter hinzu, falls gewünscht/unterstützt elif mode == "website_details": # process_website_details_for_marked_rows sollte jetzt data_processor.process_website_details sein data_processor.process_website_details(limit=args.limit) # Fügen Sie hier den Limit Parameter hinzu, falls gewünscht/unterstützt elif mode == "contacts": # process_contact_research sollte jetzt data_processor.process_contact_research sein data_processor.process_contact_research(limit=args.limit) # Fügen Sie hier den Limit Parameter hinzu, falls gewünscht/unterstützt elif mode == "full_run": # process_rows_sequentially # process_rows_sequentially ist eine Methode in DataProcessor. # Der Aufruf muss hier implementiert werden (Startindex Logic etc., wie im alten main Block). logging.warning("Modus 'full_run' benötigt noch die Implementierung des Aufrufs von process_sequential.") # Beispielaufruf (wenn process_sequential eine Methode ist): # # start_data_index logic (wie im alten main block) # header_rows = 5 # Annahme # start_data_index = 0 # Default # if args.start_row is not None: # start_data_index = args.start_row - 1 # 0-based # if start_data_index < header_rows: logging.warning(f"Manuelle Startzeile {args.start_row} liegt innerhalb der Header."); start_data_index = header_rows # else: # # Automatische Ermittlung der Startzeile (z.B. erste Zeile ohne AO) # logging.info("Automatische Ermittlung der Startzeile für sequenzielle Verarbeitung (erste Zeile ohne AO)...") # # get_start_row_index gibt 0-basierter Index in Daten (ohne Header) zurück # start_data_index_no_header = sheet_handler.get_start_row_index(check_column_key="Timestamp letzte Prüfung") # if start_data_index_no_header == -1: logging.error("FEHLER bei automatischer Ermittlung der Startzeile."); return # start_data_index = start_data_index_no_header + header_rows # 0-based index in all_data # # # Berechne num_to_process # if not sheet_handler.load_data(): logging.error("Fehler beim Laden der Daten."); return # total_rows = len(sheet_handler.get_all_data_with_headers()) # num_available = total_rows - start_data_index # Anzahl Zeilen ab Startindex # num_to_process = num_available # if args.limit is not None and args.limit >= 0: # num_to_process = min(num_available, args.limit) # # if num_to_process > 0: # logging.info(f"'full_run': Verarbeite {num_to_process} Zeilen ab Sheet-Zeile {start_data_index + 1}.") # # Hier müssten Sie auch die Flags für die Schritte abfragen/übergeben # # Für full_run würden Sie wahrscheinlich alle Schritte wählen (oder über neues Argument steuern) # data_processor.process_sequential( # start_sheet_row = start_data_index + 1, # 1-basierte Startzeile # num_to_process = num_to_process, # process_wiki=True, # Beispiel: Alle Schritte # process_chatgpt=True, # process_website=True # # Wenn process_sequential granularere Flags nimmt, übergeben Sie diese hier # ) # else: logging.info("Keine Zeilen für 'full_run' zu verarbeiten.") elif mode == "alignment": # alignment_demo ist global und braucht sheet_handler.sheet alignment_demo(sheet_handler.sheet) # Stellen Sie sicher, dass alignment_demo global bleibt elif mode == "train_technician_model": # train_technician_model sollte jetzt data_processor.train_technician_model sein data_processor.train_technician_model(model_out=args.model_out, imputer_out=args.imputer_out, patterns_out=args.patterns_out) # Argumente übergeben elif mode == "update_wiki": # process_wiki_updates_from_chatgpt sollte jetzt data_processor.process_wiki_updates_from_chatgpt sein data_processor.process_wiki_updates_from_chatgpt(row_limit=args.limit) # row_limit Parameter hinzufügen elif mode == "find_wiki_serp": # process_find_wiki_with_serp sollte jetzt data_processor.process_find_wiki_serp sein data_processor.process_find_wiki_serp(row_limit=args.limit, min_employees=args.min_employees, min_umsatz=args.min_umsatz) # min_employees und min_umsatz hinzufügen elif mode == "wiki_reextract": # <<< NEUER MODUS RUFT NEUE FUNKTION AUF # Rufe die neu erstellte globale Funktion auf, die sheet_handler und data_processor benötigt # Diese Funktion implementiert die Kriterien-Logik "M gefüllt & AN leer" und ruft dann _process_single_row # mit den spezifischen Flags (nur Wiki) und force_reeval=True auf. process_wiki_reextract_missing_an(sheet_handler, data_processor, limit=args.limit) # Annahme: process_wiki_reextract_missing_an ist global definiert else: # Dies sollte nicht passieren, wenn die Validierung oben korrekt ist logging.error(f"Unerwarteter Modus '{mode}' erreicht das Ausführungsende.") except KeyboardInterrupt: logging.warning("Skript durch Benutzer unterbrochen (KeyboardInterrupt).") print("\n! Skript wurde manuell beendet.") except Exception as e: # Dieser Block fängt Fehler ab, die in den aufgerufenen Funktionen/Methoden passieren logging.critical(f"FATAL: Unerwarteter Fehler während der Ausführung von Modus '{mode}': {e}") logging.exception("Traceback des kritischen Fehlers:") # --- Abschluss --- end_time = time.time() duration = end_time - start_time logging.info(f"Verarbeitung abgeschlossen um {datetime.now().strftime('%H:%M:%S')}.") logging.info(f"Gesamtdauer: {duration:.2f} Sekunden.") logging.info(f"===== Skript beendet =====") # Schließe Logging Handler explizit logging.shutdown() # Logfile Pfad für den Nutzer ausgeben print(f"\nVerarbeitung abgeschlossen. Logfile: {LOG_FILE}") # Führt die main-Funktion aus, wenn das Skript direkt gestartet wird if __name__ == '__main__': # --- Sicherstellen, dass alle globalen Imports hier sind --- # ... (alle Imports wie am Anfang des Skripts) ... # --- Sicherstellen, dass alle globalen Helfer-Funktionen hier oder importiert sind --- # ... (Alle Ihre globalen Helfer-Funktionen: clean_text, normalize_company_name, # extract_numeric_value, get_numeric_filter_value, call_openai_chat, serp_wikipedia_lookup, # serp_website_lookup, search_linkedin_contacts, get_gender, get_email_address, # fuzzy_similarity, is_valid_wikipedia_article_url, evaluate_branche_chatgpt, # summarize_website_content, load_target_schema, map_external_branch, alignment_demo, # retry_on_failure, create_log_filename, debug_print, _process_batch (falls global)) ... # NEU: Die Kriterien-Funktion und die Funktion, die den neuen Modus steuert, müssen hier global sein # Kopieren Sie die Definitionen von criteria_m_filled_an_empty und process_wiki_reextract_missing_an hierher. # --- Sicherstellen, dass alle Klassen hier definiert sind --- # ... (Config, GoogleSheetHandler, WikipediaScraper) ... # KORRIGIERTE DataProcessor Klasse Definition (mit __init__(self, sheet_handler, wiki_scraper)) # und allen Methoden, die Sie bis jetzt hatten, IN DER KLASSE eingerückt. # Die main Funktion aufrufen main()