Brancheneinstufung2/brancheneinstufung2.py

#!/usr/bin/env python3
"""
brancheneinstufung.py - Hauptskript v1.8.0

Dieses Skript dient als Haupteinstiegspunkt für das Projekt zur automatisierten
Anreicherung, Validierung und Standardisierung von Unternehmensdaten. Es parst
Kommandozeilen-Argumente, initialisiert die notwendigen Handler und den
DataProcessor und startet den ausgewählten Verarbeitungsmodus.

Autor: Christian Godelmann
Version: v1.8.0
"""

import logging
import argparse
import time
from datetime import datetime

# Import der Projekt-Module
# Wichtig: Config muss zuerst importiert werden, damit die DEBUG-Variable verfügbar ist.
from config import Config
from helpers import create_log_filename, initialize_target_schema, alignment_demo
from google_sheet_handler import GoogleSheetHandler
from wikipedia_scraper import WikipediaScraper
from data_processor import DataProcessor

# ==============================================================================
# 1. INITIALE KONFIGURATION (wird vor allem anderen ausgeführt)
# ==============================================================================

# Logging sofort über die zentrale Helper-Funktion konfigurieren
# Wichtig: helpers muss vor der Verwendung importiert werden.
from helpers import create_log_filename, initialize_target_schema, alignment_demo, setup_logging
setup_logging(log_level=logging.DEBUG if Config.DEBUG else logging.INFO)

# Haupt-Logger für dieses Skript
logger = logging.getLogger(__name__)

# ==============================================================================
# 2. HAUPTFUNKTION
# ==============================================================================

def main():
    """
    Haupteinstiegspunkt des Skripts.
    Verarbeitet Kommandozeilen-Argumente, richtet Logging ein,
    initialisiert Komponenten und dispatchet zu den passenden Modi.
    """
    # --- Argument Parser ---
    parser = argparse.ArgumentParser(
        description=f"Firmen-Datenanreicherungs-Skript {Config.VERSION}.",
        formatter_class=argparse.RawTextHelpFormatter
    )
    mode_categories = {
        "Batch-Verarbeitung": ["wiki_verify", "website_scraping", "summarize_website", "branch_eval", "suggest_parents", "fsm_pitch"],
        "Sequentielle Verarbeitung": ["full_run"],
        "Re-Evaluation": ["reeval"],
        "Dienstprogramme": ["find_wiki_serp", "check_urls", "contacts", "update_wiki_suggestions", "wiki_reextract_missing_an", "website_details", "train_technician_model", "alignment", "reparatur_sitz", "plausi_check_data"],
        "Kombinierte Läufe": ["combined_all"]
    }
    valid_modes = [mode for modes in mode_categories.values() for mode in modes]
    mode_help_text = "Betriebsmodus. Waehlen Sie einen der folgenden:\n"
    for category, modes in mode_categories.items():
        mode_help_text += f"\n{category}:\n" + "".join([f"  - {mode}\n" for mode in modes])

    parser.add_argument("--mode", type=str, help=mode_help_text)
    parser.add_argument("--limit", type=int, help="Maximale Anzahl zu verarbeitender Zeilen.", default=None)
    parser.add_argument("--start_sheet_row", type=int, help="Startzeile im Sheet (1-basiert).", default=None)
    parser.add_argument("--end_sheet_row", type=int, help="Endzeile im Sheet (1-basiert).", default=None)
    
    valid_steps = ['wiki', 'chat', 'web', 'ml_predict']
    parser.add_argument("--steps", type=str, help=f"Schritte für 'reeval'/'full_run' (z.B. 'wiki,chat'). Optionen: {', '.join(valid_steps)}.", default=','.join(valid_steps))
    parser.add_argument("--min_umsatz", type=float, help="Mindestumsatz in MIO € für 'find_wiki_serp'.", default=200.0)
    parser.add_argument("--min_employees", type=int, help="Mindest-MA für 'find_wiki_serp'.", default=500)
    
    args = parser.parse_args()

    # --- Modusauswahl (interaktiv, wenn nicht über CLI) ---
    selected_mode = args.mode.lower() if args.mode else None
    if not selected_mode:
        print("\nBitte waehlen Sie den Betriebsmodus:")
        mode_map = {}
        counter = 1
        for category, modes in mode_categories.items():
             print(f"\n{category}:")
             for mode in modes:
                  print(f"  {counter}: {mode}")
                  mode_map[str(counter)] = mode
                  mode_map[mode] = mode
                  counter += 1
        print("\n  0: Abbrechen")
        mode_map['0'] = 'exit'

        while selected_mode is None:
             try:
                choice = input("Geben Sie den Modusnamen oder die Zahl ein: ").strip().lower()
                if choice in mode_map:
                    selected_mode = mode_map[choice]
                    if selected_mode == 'exit':
                        print("Abgebrochen.")
                        return
                else:
                    print("Ungueltige Eingabe.")
             except (EOFError, KeyboardInterrupt):
                print("\nAbgebrochen.")
                return

    # --- Logdatei-Konfiguration abschließen ---
    log_file_path = create_log_filename(selected_mode)
    if log_file_path:
        file_handler = logging.FileHandler(log_file_path, mode='a', encoding='utf-8')
        file_handler.setLevel(LOG_LEVEL)
        file_handler.setFormatter(logging.Formatter(LOG_FORMAT))
        logging.getLogger('').addHandler(file_handler)
    
    logger.info(f"===== Skript gestartet: Modus '{selected_mode}' =====")
    logger.info(f"Version: {Config.VERSION}")
    logger.info(f"Logdatei: {log_file_path or 'FEHLER - Keine Logdatei'}")
    logger.info(f"CLI Argumente: {args}")

    # --- Hauptlogik ---
    try:
        # --- Vorbereitung ---
        Config.load_api_keys()
        
        sheet_handler = GoogleSheetHandler()
        wiki_scraper = WikipediaScraper()
        data_processor = DataProcessor(sheet_handler=sheet_handler, wiki_scraper=wiki_scraper)
        
        # Expliziter Setup-Aufruf, nachdem alle Konfigurationen geladen sind.
        if not data_processor.setup():
            logger.critical("Setup des DataProcessors fehlgeschlagen. Das Skript wird beendet.")
            return

        # --- Modus-Dispatching ---
        start_time = time.time()
        
        # Sequentiell & Re-Eval Schritte parsen
        steps_to_run_set = set(step.strip().lower() for step in args.steps.split(',') if step.strip() in valid_steps) if args.steps else set(valid_steps)

        if selected_mode == "full_run":
            start_row = args.start_sheet_row or sheet_handler.get_start_row_index("Timestamp letzte Pruefung") + sheet_handler._header_rows + 1
            num_to_process = args.limit or (len(sheet_handler.get_all_data_with_headers()) - start_row + 1)
            data_processor.process_rows_sequentially(
                start_sheet_row=start_row, num_to_process=num_to_process,
                process_wiki_steps='wiki' in steps_to_run_set,
                process_chatgpt_steps='chat' in steps_to_run_set,
                process_website_steps='web' in steps_to_run_set,
                process_ml_steps='ml_predict' in steps_to_run_set
            )
        elif selected_mode == "reeval":
            data_processor.process_reevaluation_rows(
                row_limit=args.limit, clear_flag=True,
                process_wiki_steps='wiki' in steps_to_run_set,
                process_chatgpt_steps='chat' in steps_to_run_set,
                process_website_steps='web' in steps_to_run_set,
                process_ml_steps='ml_predict' in steps_to_run_set
            )
        elif selected_mode == "alignment":
            alignment_demo(sheet_handler.sheet)
        elif selected_mode == "train_technician_model":
            data_processor.train_technician_model()
        elif hasattr(data_processor, f"process_{selected_mode}"):
            # Dynamischer Aufruf für die meisten Batch-Modi
            method_to_call = getattr(data_processor, f"process_{selected_mode}")
            method_args = {}
            if "limit" in method_to_call.__code__.co_varnames: method_args["limit"] = args.limit
            if "start_sheet_row" in method_to_call.__code__.co_varnames: method_args["start_sheet_row"] = args.start_sheet_row
            if "end_sheet_row" in method_to_call.__code__.co_varnames: method_args["end_sheet_row"] = args.end_sheet_row
            if "min_umsatz" in method_to_call.__code__.co_varnames: method_args["min_umsatz"] = args.min_umsatz
            if "min_employees" in method_to_call.__code__.co_varnames: method_args["min_employees"] = args.min_employees
            method_to_call(**method_args)
        elif hasattr(data_processor, f"run_{selected_mode}"): # Für 'run_plausibility_checks_batch'
            method_to_call = getattr(data_processor, f"run_{selected_mode}")
            method_to_call(start_sheet_row=args.start_sheet_row, end_sheet_row=args.end_sheet_row, limit=args.limit)
        else:
            logger.error(f"Unbekannter Modus '{selected_mode}' im Dispatcher.")

        duration = time.time() - start_time
        logger.info(f"Verarbeitung im Modus '{selected_mode}' abgeschlossen. Dauer: {duration:.2f} Sekunden.")

    except (KeyboardInterrupt, EOFError):
        logger.warning("Skript durch Benutzer unterbrochen.")
        print("\n! Skript wurde manuell beendet.")
    except Exception as e:
        logger.critical(f"FATAL: Unerwarteter Fehler im Hauptprozess: {e}", exc_info=True)
        print(f"\n! Ein kritischer Fehler ist aufgetreten: {e}")
        if log_file_path: # Nur ausgeben, wenn Pfad existiert
            print(f"Bitte pruefen Sie die Logdatei fuer Details: {log_file_path}")
    finally:
        logger.info(f"===== Skript beendet =====")
        logging.shutdown()
        if 'selected_mode' in locals() and selected_mode != 'exit' and log_file_path:
            print(f"\nVerarbeitung abgeschlossen. Logfile: {log_file_path}")

if __name__ == '__main__':
    main()