2591 lines
142 KiB
Python
2591 lines
142 KiB
Python
#!/usr/bin/env python3
|
||
"""
|
||
Version: v1.6.0 (Refactored)
|
||
Datum: {aktuelles Datum}
|
||
Git-Überschrift (max. 100 Zeichen):
|
||
v1.6.0: Refactoring - Code-Optimierung und Beseitigung von Redundanzen
|
||
|
||
Git-Änderungsbeschreibung:
|
||
- Doppelte Funktionen (process_verification_only, _process_batch, count_linkedin_contacts) entfernt.
|
||
- Doppelte DataProcessor-Klasse entfernt.
|
||
- Ungenutzten Code (Timestamp-Handling, compare_umsatz_values, process_contacts) entfernt.
|
||
- Google Sheet Updates optimiert durch konsequentere Nutzung von batch_update in Schleifen (_process_batch, process_website_batch, process_branch_batch, process_contact_research).
|
||
- API-Key-Handling zentralisiert: Keys werden einmal in Config geladen und von dort bezogen.
|
||
- Google Sheet Verbindung zentralisiert: Wird nur noch im GoogleSheetHandler aufgebaut.
|
||
- Vorbereitung für robustere Spaltenzugriffe durch Einführung einer COLUMN_MAP (noch nicht durchgängig genutzt).
|
||
- Modus-Steuerung in main() konsolidiert.
|
||
- alignment_demo korrigiert (nur noch für Hauptblatt). Header für Contacts-Blatt in process_contact_research gesetzt.
|
||
- Konstanten für Dateinamen eingeführt.
|
||
"""
|
||
|
||
import os
|
||
import time
|
||
import re
|
||
import gspread
|
||
import wikipedia
|
||
import requests
|
||
import openai
|
||
from bs4 import BeautifulSoup
|
||
from oauth2client.service_account import ServiceAccountCredentials
|
||
from datetime import datetime
|
||
from difflib import SequenceMatcher
|
||
import unicodedata
|
||
import csv
|
||
import gender_guesser.detector as gender
|
||
from urllib.parse import urlparse, urlencode
|
||
import argparse
|
||
|
||
# Optional: tiktoken für Token-Zählung (Modus 8)
|
||
try:
|
||
import tiktoken
|
||
except ImportError:
|
||
tiktoken = None
|
||
|
||
# ==================== KONSTANTEN ====================
|
||
CREDENTIALS_FILE = "service_account.json"
|
||
API_KEY_FILE = "api_key.txt"
|
||
SERP_API_KEY_FILE = "serpApiKey.txt"
|
||
GENDERIZE_API_KEY_FILE = "genderize_API_Key.txt"
|
||
BRANCH_MAPPING_FILE = "ziel_Branchenschema.csv"
|
||
LOG_DIR = "Log"
|
||
|
||
# ==================== KONFIGURATION ====================
|
||
class Config:
|
||
VERSION = "v1.6.0"
|
||
LANG = "de"
|
||
SHEET_URL = "https://docs.google.com/spreadsheets/d/1u_gHr9JUfmV1-iviRzbSe3575QEp7KLhK5jFV_gJcgo"
|
||
MAX_RETRIES = 3
|
||
RETRY_DELAY = 5
|
||
LOG_CSV = "gpt_antworten_log.csv" # Wird dieser Log noch verwendet? Ggf. entfernen.
|
||
SIMILARITY_THRESHOLD = 0.65
|
||
DEBUG = True
|
||
WIKIPEDIA_SEARCH_RESULTS = 5
|
||
HTML_PARSER = "html.parser"
|
||
BATCH_SIZE = 10
|
||
TOKEN_MODEL = "gpt-3.5-turbo" # Oder "gpt-4" etc.
|
||
|
||
# Zentrales API-Key-Management
|
||
API_KEYS = {}
|
||
|
||
@classmethod
|
||
def load_api_keys(cls):
|
||
cls.API_KEYS['openai'] = cls._load_key_from_file(API_KEY_FILE)
|
||
cls.API_KEYS['serpapi'] = cls._load_key_from_file(SERP_API_KEY_FILE)
|
||
cls.API_KEYS['genderize'] = cls._load_key_from_file(GENDERIZE_API_KEY_FILE)
|
||
# Set OpenAI Key globally if loaded
|
||
if cls.API_KEYS.get('openai'):
|
||
openai.api_key = cls.API_KEYS['openai']
|
||
else:
|
||
debug_print("⚠️ OpenAI API Key konnte nicht geladen werden.")
|
||
|
||
@staticmethod
|
||
def _load_key_from_file(filepath):
|
||
try:
|
||
with open(filepath, "r") as f:
|
||
return f.read().strip()
|
||
except Exception as e:
|
||
debug_print(f"Fehler beim Lesen des API-Keys aus '{filepath}': {e}")
|
||
return None
|
||
|
||
# Globales Mapping-Dictionary und Schema-String
|
||
BRANCH_MAPPING = {}
|
||
TARGET_SCHEMA_STRING = "Ziel-Branchenschema nicht verfügbar."
|
||
ALLOWED_TARGET_BRANCHES = []
|
||
|
||
# Globales Spalten-Mapping (Beispiel basierend auf Zeile 4 - Kurze Beschreibung)
|
||
# TODO: Dieses Mapping vervollständigen und durchgängig verwenden!
|
||
COLUMN_MAP = {
|
||
"ReEval Flag": 0,
|
||
"CRM Name": 1,
|
||
"CRM Kurzform": 2,
|
||
"CRM Website": 3,
|
||
"CRM Ort": 4,
|
||
"CRM Beschreibung": 5, # Index 5, nicht 6
|
||
"CRM Branche": 6, # Index 6
|
||
"CRM Beschreibung Branche extern": 7, # Index 7
|
||
"CRM Anzahl Techniker": 8, # Index 8
|
||
"CRM Umsatz": 9, # Index 9
|
||
"CRM Anzahl Mitarbeiter": 10, # Index 10
|
||
"CRM Vorschlag Wiki URL": 11, # Index 11
|
||
"Wiki URL": 12, # Index 12
|
||
"Wiki Absatz": 13, # Index 13
|
||
"Wiki Branche": 14, # Index 14
|
||
"Wiki Umsatz": 15, # Index 15
|
||
"Wiki Mitarbeiter": 16, # Index 16
|
||
"Wiki Kategorien": 17, # Index 17
|
||
"Chat Wiki Konsistenzprüfung": 18, # S
|
||
"Chat Begründung Wiki Inkonsistenz": 19, # T
|
||
"Chat Vorschlag Wiki Artikel": 20, # U
|
||
"Begründung bei Abweichung": 21, # V (ungenutzt?)
|
||
"Chat Vorschlag Branche": 22, # W
|
||
"Chat Konsistenz Branche": 23, # X
|
||
"Chat Begründung Abweichung Branche": 24, # Y
|
||
"Chat Prüfung FSM Relevanz": 25, # Z
|
||
"Chat Begründung für FSM Relevanz": 26, # AA
|
||
"Chat Schätzung Anzahl Mitarbeiter": 27, # AB
|
||
"Chat Konsistenzprüfung Mitarbeiterzahl": 28, # AC
|
||
"Chat Begründung Abweichung Mitarbeiterzahl": 29, # AD
|
||
"Chat Einschätzung Anzahl Servicetechniker": 30, # AE
|
||
"Chat Begründung Abweichung Anzahl Servicetechniker": 31, # AF
|
||
"Chat Schätzung Umsatz": 32, # AG
|
||
"Chat Begründung Abweichung Umsatz": 33, # AH
|
||
"Linked Serviceleiter gefunden": 34, # AI
|
||
"Linked It-Leiter gefunden": 35, # AJ
|
||
"Linked Management gefunden": 36, # AK
|
||
"Linked Disponent gefunden": 37, # AL
|
||
"Contact Search Timestamp": 38, # AM
|
||
"Wikipedia Timestamp": 39, # AN
|
||
"Timestamp letzte Prüfung": 40, # AO
|
||
"Version": 41, # AP
|
||
"Tokens": 42, # AQ
|
||
"Website Rohtext": 43, # AR
|
||
"Website Zusammenfassung": 44 # AS
|
||
}
|
||
|
||
|
||
# ==================== RETRY-DECORATOR ====================
|
||
def retry_on_failure(func):
|
||
def wrapper(*args, **kwargs):
|
||
func_name = func.__name__
|
||
# Versuche, das 'self' Argument für Methoden zu extrahieren
|
||
self_arg = args[0] if args and hasattr(args[0], func_name) else None
|
||
effective_func_name = f"{self_arg.__class__.__name__}.{func_name}" if self_arg else func_name
|
||
|
||
for attempt in range(Config.MAX_RETRIES):
|
||
try:
|
||
return func(*args, **kwargs)
|
||
except Exception as e:
|
||
error_msg = str(e)
|
||
# Spezifische Fehlerbehandlung (Beispiel)
|
||
if isinstance(e, gspread.exceptions.APIError):
|
||
if e.response.status_code == 429: # Rate Limit
|
||
wait_time = Config.RETRY_DELAY * (attempt + 1) # Exponential backoff
|
||
print(f"🚦 Rate Limit bei {effective_func_name} (Versuch {attempt+1}). Warte {wait_time}s... Fehler: {error_msg[:100]}")
|
||
time.sleep(wait_time)
|
||
continue # Direkt zum nächsten Versuch
|
||
else:
|
||
print(f"⚠️ Google API Fehler bei {effective_func_name} (Versuch {attempt+1}): {error_msg[:100]}")
|
||
elif isinstance(e, requests.exceptions.RequestException):
|
||
print(f"⚠️ Netzwerkfehler bei {effective_func_name} (Versuch {attempt+1}): {error_msg[:100]}")
|
||
elif isinstance(e, openai.error.OpenAIError):
|
||
print(f"⚠️ OpenAI Fehler bei {effective_func_name} (Versuch {attempt+1}): {error_msg[:100]}")
|
||
else:
|
||
print(f"⚠️ Unbekannter Fehler bei {effective_func_name} (Versuch {attempt+1}): {type(e).__name__} - {error_msg[:100]}")
|
||
|
||
if attempt < Config.MAX_RETRIES - 1:
|
||
time.sleep(Config.RETRY_DELAY)
|
||
else:
|
||
print(f"❌ Endgültiger Fehler bei {effective_func_name} nach {Config.MAX_RETRIES} Versuchen.")
|
||
return None # Oder eine spezifische Fehlerkennung zurückgeben
|
||
return None # Sollte nicht erreicht werden, aber zur Sicherheit
|
||
return wrapper
|
||
|
||
# ==================== LOGGING & HELPER FUNCTIONS ====================
|
||
|
||
LOG_FILE = None # Wird in main() gesetzt
|
||
|
||
def create_log_filename(mode):
|
||
if not os.path.exists(LOG_DIR):
|
||
os.makedirs(LOG_DIR)
|
||
now = datetime.now().strftime("%d-%m-%Y_%H-%M")
|
||
ver_short = Config.VERSION.replace(".", "")
|
||
return os.path.join(LOG_DIR, f"{now}_{ver_short}_Modus{mode}.txt")
|
||
|
||
def debug_print(message):
|
||
global LOG_FILE
|
||
log_message = f"[{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}] {message}"
|
||
if Config.DEBUG:
|
||
print(log_message)
|
||
if LOG_FILE:
|
||
try:
|
||
with open(LOG_FILE, "a", encoding="utf-8") as f:
|
||
f.write(log_message + "\n")
|
||
except Exception as e:
|
||
print(f"[CRITICAL] Log-Schreibfehler: {e}")
|
||
|
||
|
||
def simple_normalize_url(url):
|
||
"""Normalisiert URL zu www.domain.tld oder k.A."""
|
||
if not url or not isinstance(url, str):
|
||
return "k.A."
|
||
url = url.strip()
|
||
if not url:
|
||
return "k.A."
|
||
# Falls kein Schema vorhanden ist, hinzufügen
|
||
if not url.lower().startswith(("http://", "https://")):
|
||
url = "https://" + url
|
||
try:
|
||
parsed = urlparse(url)
|
||
domain_part = parsed.netloc
|
||
# Entferne einen eventuellen Port (z.B. ":8080")
|
||
domain_part = domain_part.split(":", 1)[0]
|
||
# Wenn die Domain nicht mit "www." beginnt, hinzufügen (außer bei sehr kurzen Domains)
|
||
if not domain_part.lower().startswith("www.") and '.' in domain_part:
|
||
# Ausnahme für IP-Adressen oder ungewöhnliche Namen ohne TLD
|
||
if re.match(r"^\d{1,3}(\.\d{1,3}){3}$", domain_part):
|
||
pass # IP-Adresse behalten
|
||
else:
|
||
domain_part = "www." + domain_part
|
||
return domain_part.lower() # Einheitliche Kleinschreibung
|
||
except Exception as e:
|
||
debug_print(f"Fehler bei URL-Normalisierung '{url}': {e}")
|
||
return "k.A."
|
||
|
||
def normalize_string(s):
|
||
"""Normalisiert Umlaute und Sonderzeichen."""
|
||
if not s or not isinstance(s, str):
|
||
return ""
|
||
replacements = {
|
||
'Ä': 'Ae', 'Ö': 'Oe', 'Ü': 'Ue', 'ß': 'ss', 'ä': 'ae', 'ö': 'oe', 'ü': 'ue',
|
||
'À': 'A', 'Á': 'A', 'Â': 'A', 'Ã': 'A', 'Å': 'A', 'Æ': 'AE', 'à': 'a', 'á': 'a', 'â': 'a', 'ã': 'a', 'å': 'a', 'æ': 'ae',
|
||
'Ç': 'C', 'ç': 'c', 'È': 'E', 'É': 'E', 'Ê': 'E', 'Ë': 'E', 'è': 'e', 'é': 'e', 'ê': 'e', 'ë': 'e',
|
||
'Ì': 'I', 'Í': 'I', 'Î': 'I', 'Ï': 'I', 'ì': 'i', 'í': 'i', 'î': 'i', 'ï': 'i', 'Ñ': 'N', 'ñ': 'n',
|
||
'Ò': 'O', 'Ó': 'O', 'Ô': 'O', 'Õ': 'O', 'Ø': 'O', 'ò': 'o', 'ó': 'o', 'ô': 'o', 'õ': 'o', 'ø': 'o', 'Œ': 'OE', 'œ': 'oe',
|
||
'Š': 'S', 'š': 's', 'Ž': 'Z', 'ž': 'z', 'Ý': 'Y', 'ý': 'y', 'ÿ': 'y', 'Đ': 'D', 'đ': 'd',
|
||
'č': 'c', 'Č': 'C', 'ć': 'c', 'Ć': 'C', 'ł': 'l', 'Ł': 'L', 'ğ': 'g', 'Ğ': 'G', 'ş': 's', 'Ş': 'S',
|
||
'ă': 'a', 'Ă': 'A', 'ı': 'i', 'İ': 'I', 'ň': 'n', 'Ň': 'N', 'ř': 'r', 'Ř': 'R',
|
||
'ő': 'o', 'Ő': 'O', 'ű': 'u', 'Ű': 'U', 'ț': 't', 'Ț': 'T', 'ș': 's', 'Ș': 'S'
|
||
}
|
||
# unicodedata Normalisierung zuerst (kann einige Akzente entfernen)
|
||
try:
|
||
# Versuche NFKD Normalisierung, um Kompatibilitätszeichen zu zerlegen
|
||
s = unicodedata.normalize('NFKD', s).encode('ascii', 'ignore').decode('ascii')
|
||
except:
|
||
# Fallback, wenn NFKD fehlschlägt (sollte selten sein)
|
||
pass
|
||
# Dann manuelle Ersetzungen
|
||
for src, target in replacements.items():
|
||
s = s.replace(src, target)
|
||
return s
|
||
|
||
def clean_text(text):
|
||
"""Bereinigt Text von Wikipedia etc."""
|
||
if not text:
|
||
return "k.A."
|
||
try:
|
||
text = str(text) # Sicherstellen, dass es ein String ist
|
||
text = unicodedata.normalize("NFKC", text) # Normalisiert Whitespace, Ligaturen etc.
|
||
text = re.sub(r'\[\d+\]', '', text) # Entfernt [1], [2] etc.
|
||
text = re.sub(r'\s+', ' ', text).strip() # Reduziert multiple Leerzeichen
|
||
return text if text else "k.A."
|
||
except Exception as e:
|
||
debug_print(f"Fehler bei clean_text: {e}")
|
||
return "k.A."
|
||
|
||
|
||
def normalize_company_name(name):
|
||
"""Entfernt Rechtsformzusätze etc. für Vergleiche."""
|
||
if not name: return ""
|
||
name = clean_text(name) # Vorab bereinigen
|
||
# Umfassendere Liste von Rechtsformen und Zusätzen
|
||
forms = [
|
||
r'gmbh', r'ges\.?\s*m\.?\s*b\.?\s*h\.?', r'gesellschaft mit beschränkter haftung',
|
||
r'ug', r'u\.g\.', r'unternehmergesellschaft', r'haftungsbeschränkt',
|
||
r'ag', r'a\.g\.', r'aktiengesellschaft',
|
||
r'ohg', r'o\.h\.g\.', r'offene handelsgesellschaft',
|
||
r'kg', r'k\.g\.', r'kommanditgesellschaft',
|
||
r'gmbh\s*&\s*co\.?\s*kg', r'ges\.?\s*m\.?\s*b\.?\s*h\.?\s*&\s*co\.?\s*k\.g\.?',
|
||
r'ag\s*&\s*co\.?\s*kg', r'a\.g\.?\s*&\s*co\.?\s*k\.g\.?',
|
||
r'e\.k\.', r'e\.kfm\.', r'e\.kfr\.', r'eingetragene[rn]? kauffrau', r'eingetragene[rn]? kaufmann',
|
||
r'ltd\.?', r'limited',
|
||
r'ltd\s*&\s*co\.?\s*kg',
|
||
r's\.?a\.?r\.?l\.?', r'sàrl', r'sagl',
|
||
r's\.?a\.?', r'société anonyme', r'sociedad anónima',
|
||
r's\.?p\.?a\.?', r'società per azioni',
|
||
r'b\.?v\.?', r'besloten vennootschap',
|
||
r'n\.?v\.?', r'naamloze vennootschap',
|
||
r'plc\.?', r'public limited company',
|
||
r'inc\.?', r'incorporated',
|
||
r'corp\.?', r'corporation',
|
||
r'llc\.?', r'limited liability company',
|
||
r'kgaa', r'kommanditgesellschaft auf aktien',
|
||
r'se', r'societas europaea',
|
||
r'e\.?g\.?', r'eingetragene genossenschaft', r'genossenschaft', r'genmbh',
|
||
r'e\.?v\.?', r'eingetragener verein', r'verein',
|
||
r'stiftung', r'ggmbh', r'gemeinnützige gmbh', r'gug',
|
||
r'partg', r'partnerschaftsgesellschaft', r'partgmbb',
|
||
r'og', r'o\.g\.', r'offene gesellschaft',
|
||
r'e\.u\.', r'eingetragenes unternehmen',
|
||
r'ges\.?n\.?b\.?r\.?', r'gesellschaft nach bürgerlichem recht',
|
||
r'kollektivgesellschaft', r'einzelfirma',
|
||
# Zusätzliche generische Begriffe am Ende
|
||
r'gruppe', r'holding', r'international', r'systeme', r'technik', r'logistik',
|
||
r'solutions', r'services', r'management', r'consulting', r'produktion',
|
||
r'vertrieb', r'entwicklung', r'maschinenbau', r'anlagenbau'
|
||
]
|
||
# Pattern für ganze Wörter (case-insensitive)
|
||
pattern = r'\b(' + '|'.join(forms) + r')\b'
|
||
normalized = re.sub(pattern, '', name, flags=re.IGNORECASE)
|
||
|
||
# Interpunktion entfernen/ersetzen (außer evtl. &)
|
||
normalized = re.sub(r'[.,;:]', '', normalized)
|
||
normalized = re.sub(r'[\-–/]', ' ', normalized) # Bindestriche etc. durch Leerzeichen ersetzen
|
||
normalized = re.sub(r'\s+', ' ', normalized).strip() # Multiple Leerzeichen reduzieren
|
||
|
||
return normalized.lower()
|
||
|
||
|
||
def extract_numeric_value(raw_value, is_umsatz=False):
|
||
"""Extrahiert und normalisiert Zahlenwerte (Umsatz in Mio, Mitarbeiter)."""
|
||
if not raw_value or not isinstance(raw_value, str): return "k.A."
|
||
raw_value = clean_text(raw_value)
|
||
if raw_value == "k.A.": return "k.A."
|
||
|
||
# Entferne Präfixe wie ca., über, etc. und Währungssymbole (€, $, etc.) und Punkte als Tausendertrenner
|
||
processed_value = re.sub(r'(?i)\b(ca\.?|circa|über|unter|rund|etwa|mehr als|weniger als|bis zu)\b', '', raw_value)
|
||
processed_value = re.sub(r'[€$£¥]', '', processed_value)
|
||
processed_value = processed_value.replace('.', '') # Tausenderpunkte entfernen
|
||
processed_value = processed_value.replace(',', '.') # Komma als Dezimaltrenner
|
||
|
||
# Finde die erste Zahl (kann Dezimalpunkt enthalten)
|
||
match = re.search(r'([\d\.]+)', processed_value)
|
||
if not match:
|
||
debug_print(f"Keine numerischen Zeichen gefunden in Rohtext: '{raw_value}'")
|
||
return "k.A."
|
||
|
||
num_str = match.group(1)
|
||
try:
|
||
num = float(num_str)
|
||
except ValueError:
|
||
debug_print(f"Fehler bei Float-Umwandlung von '{num_str}' (aus '{raw_value}')")
|
||
return "k.A." # Gib k.A. zurück, wenn die Zahl selbst ungültig ist
|
||
|
||
# Multiplikatoren anwenden (Groß/Kleinschreibung ignorieren)
|
||
raw_lower = raw_value.lower()
|
||
multiplier = 1.0
|
||
if "mrd" in raw_lower or "milliarden" in raw_lower or "billion" in raw_lower: # Englisch Billion = Deutsch Milliarde
|
||
multiplier = 1000.0 # Für Umsatz: Ergebnis wird in Mio sein
|
||
elif "mio" in raw_lower or "millionen" in raw_lower or "mill." in raw_lower:
|
||
multiplier = 1.0 # Für Umsatz: Ergebnis ist bereits in Mio
|
||
elif "tsd" in raw_lower or "tausend" in raw_lower:
|
||
multiplier = 0.001 # Für Umsatz: Umrechnung Tausend in Mio
|
||
|
||
num = num * multiplier
|
||
|
||
if is_umsatz:
|
||
# Umsatz immer auf Millionen runden (Ganzzahl)
|
||
return str(int(round(num)))
|
||
else:
|
||
# Mitarbeiter als Ganzzahl
|
||
return str(int(round(num)))
|
||
|
||
def get_gender(firstname):
|
||
"""Ermittelt Geschlecht via gender-guesser und Fallback Genderize API."""
|
||
if not firstname or not isinstance(firstname, str): return "unknown"
|
||
firstname = firstname.strip().split(" ")[0] # Nur ersten Teil des Vornamens verwenden
|
||
if not firstname: return "unknown"
|
||
|
||
d = gender.Detector(case_sensitive=False)
|
||
result = d.get_gender(firstname, 'germany') # Land hinzufügen kann helfen
|
||
if result in ["andy", "unknown", "mostly_male", "mostly_female"]:
|
||
genderize_key = Config.API_KEYS.get('genderize')
|
||
if not genderize_key:
|
||
debug_print("Genderize API-Schlüssel nicht verfügbar, Fallback nicht möglich.")
|
||
return result if result not in ["andy", "unknown"] else "unknown" # Gib mostly_ zurück
|
||
|
||
params = {"name": firstname, "apikey": genderize_key, "country_id": "DE"}
|
||
try:
|
||
response = requests.get("https://api.genderize.io", params=params, timeout=5)
|
||
response.raise_for_status() # Fehler bei HTTP-Status != 200
|
||
data = response.json()
|
||
# Genderize gibt 'male'/'female' oder null zurück
|
||
api_gender = data.get("gender")
|
||
probability = data.get("probability", 0)
|
||
if api_gender and probability > 0.6: # Nur bei ausreichender Sicherheit übernehmen
|
||
return api_gender
|
||
else:
|
||
# Wenn Genderize unsicher ist, behalte das Ergebnis von gender-guesser, wenn es "mostly_" war
|
||
return result if result not in ["andy", "unknown"] else "unknown"
|
||
except requests.exceptions.RequestException as e:
|
||
debug_print(f"Fehler bei der Genderize API-Anfrage für '{firstname}': {e}")
|
||
return result if result not in ["andy", "unknown"] else "unknown"
|
||
except Exception as e:
|
||
debug_print(f"Allgemeiner Fehler bei Genderize für '{firstname}': {e}")
|
||
return result if result not in ["andy", "unknown"] else "unknown"
|
||
else: # male, female
|
||
return result
|
||
|
||
def get_email_address(firstname, lastname, website):
|
||
"""Generiert E-Mail: vorname.nachname@domain.tld."""
|
||
if not all([firstname, lastname, website]) or not all(isinstance(x, str) for x in [firstname, lastname, website]):
|
||
return ""
|
||
|
||
domain = simple_normalize_url(website)
|
||
if domain == "k.A." or not '.' in domain: # Einfache Domain-Validierung
|
||
return ""
|
||
|
||
# Domain von 'www.' befreien, falls simple_normalize_url es nicht schon getan hat
|
||
if domain.startswith("www."):
|
||
domain = domain[4:]
|
||
|
||
# Vor- und Nachname normalisieren (Umlaute etc.), Kleinbuchstaben, keine Sonderzeichen außer '.' und '-' erlauben
|
||
normalized_first = normalize_string(firstname.lower())
|
||
normalized_last = normalize_string(lastname.lower())
|
||
# Ersetze Leerzeichen und mehrere Bindestriche durch einen einzelnen Bindestrich
|
||
normalized_first = re.sub(r'\s+', '-', normalized_first)
|
||
normalized_last = re.sub(r'\s+', '-', normalized_last)
|
||
# Entferne alle Zeichen, die nicht alphanumerisch oder Bindestrich sind
|
||
normalized_first = re.sub(r'[^\w\-]+', '', normalized_first)
|
||
normalized_last = re.sub(r'[^\w\-]+', '', normalized_last)
|
||
|
||
if normalized_first and normalized_last and domain:
|
||
return f"{normalized_first}.{normalized_last}@{domain}"
|
||
else:
|
||
return ""
|
||
|
||
def fuzzy_similarity(str1, str2):
|
||
"""Berechnet Ähnlichkeit zwischen 0 und 1."""
|
||
if not str1 or not str2: return 0.0
|
||
return SequenceMatcher(None, str(str1).lower(), str(str2).lower()).ratio()
|
||
|
||
# ==================== BRANCH MAPPING & SCHEMA ====================
|
||
|
||
import re # Sicherstellen, dass re importiert ist
|
||
|
||
# Annahmen:
|
||
# - Die globalen Variablen ALLOWED_TARGET_BRANCHES und TARGET_SCHEMA_STRING werden
|
||
# durch load_target_schema() korrekt befüllt (enthalten nur Kurzformen).
|
||
# - Die Funktion call_openai_chat(prompt, temperature) existiert und funktioniert.
|
||
# - Die Funktion debug_print(message) existiert.
|
||
# - Die globale Variable Config.API_KEYS['openai'] ist verfügbar.
|
||
|
||
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: <Exakter Kurzname der Branche aus der Liste>")
|
||
prompt_parts.append("Übereinstimmung: <ok oder X (Vergleich deines Vorschlags mit der extrahierten Kurzform der CRM-Referenz)>")
|
||
prompt_parts.append("Begründung: <Sehr kurze Begründung für deinen Branchenvorschlag>")
|
||
|
||
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}")
|
||
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()
|
||
|
||
|
||
debug_print(f"Fallback Debug: Prüfe CRM-Kurzform.")
|
||
debug_print(f" -> Extrahierte CRM-Kurzform: '{crm_short_branch}' (Typ: {type(crm_short_branch)})")
|
||
crm_short_branch_lower = crm_short_branch.lower()
|
||
debug_print(f" -> CRM-Kurzform (lower): '{crm_short_branch_lower}'")
|
||
# Zeige einige Lookup-Keys (nur wenn nicht zu viele)
|
||
lookup_keys_sample = list(allowed_branches_lookup.keys())
|
||
if len(lookup_keys_sample) < 20:
|
||
debug_print(f" -> Prüfe gegen Lookup-Keys: {lookup_keys_sample}")
|
||
else:
|
||
debug_print(f" -> Prüfe gegen Lookup-Keys (erste 10): {lookup_keys_sample[:10]}")
|
||
|
||
|
||
# Der eigentliche Check
|
||
if crm_short_branch != "k.A." and crm_short_branch_lower in allowed_branches_lookup:
|
||
debug_print(f" -> ERFOLG: '{crm_short_branch_lower}' in allowed_branches_lookup gefunden!") # NEU
|
||
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:
|
||
debug_print(f" -> FEHLER: '{crm_short_branch_lower}' NICHT in allowed_branches_lookup gefunden!") # NEU
|
||
# 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
|
||
|
||
def load_target_schema(csv_filepath=BRANCH_MAPPING_FILE):
|
||
"""Lädt Liste erlaubter Ziele (Kurzformen) aus Spalte A der CSV."""
|
||
global BRANCH_MAPPING, TARGET_SCHEMA_STRING, ALLOWED_TARGET_BRANCHES
|
||
# BRANCH_MAPPING wird nicht mehr benötigt, wenn wir nur die Ziele laden
|
||
BRANCH_MAPPING = {}
|
||
|
||
allowed_branches_set = set()
|
||
debug_print(f"Versuche, Ziel-Schema (Kurzformen) aus '{csv_filepath}' Spalte A zu laden...") # NEU
|
||
line_count = 0
|
||
try:
|
||
with open(csv_filepath, encoding="utf-8-sig") as f:
|
||
reader = csv.reader(f)
|
||
# Optional: Header überspringen
|
||
# next(reader, None)
|
||
for row in reader:
|
||
line_count += 1
|
||
if line_count <= 10 or line_count % 100 == 0:
|
||
debug_print(f"Schema-Laden: Lese Zeile {line_count}: {row}")
|
||
|
||
if len(row) >= 1: # Nur Spalte A (Index 0) wird benötigt
|
||
target = row[0].strip()
|
||
if target: # Nur nicht-leere Einträge hinzufügen
|
||
allowed_branches_set.add(target)
|
||
if line_count <= 10: # Logge die ersten 10 hinzugefügten
|
||
debug_print(f" -> '{target}' zum Set hinzugefügt.")
|
||
|
||
except FileNotFoundError:
|
||
debug_print(f"Fehler: Schema-Datei '{csv_filepath}' nicht gefunden.")
|
||
ALLOWED_TARGET_BRANCHES = []
|
||
except Exception as e:
|
||
debug_print(f"Fehler beim Laden des Ziel-Schemas aus '{csv_filepath}' (Zeile {line_count}): {e}")
|
||
ALLOWED_TARGET_BRANCHES = []
|
||
|
||
ALLOWED_TARGET_BRANCHES = sorted(list(allowed_branches_set), key=str.lower)
|
||
debug_print(f"Ziel-Schema geladen. {len(ALLOWED_TARGET_BRANCHES)} eindeutige Zielbranchen gefunden.") # NEU: Zählung der Branches
|
||
|
||
# Logge die ersten paar geladenen Branches zur Kontrolle
|
||
if ALLOWED_TARGET_BRANCHES:
|
||
debug_print(f"Erste 10 geladene Zielbranchen: {ALLOWED_TARGET_BRANCHES[:10]}")
|
||
schema_lines = ["Ziel-Branchenschema: Folgende Branchenbereiche sind gültig (Kurzformen):"] # Klarstellung
|
||
schema_lines.extend(f"- {branch}" for branch in ALLOWED_TARGET_BRANCHES)
|
||
schema_lines.append("Bitte ordne das Unternehmen ausschließlich in einen dieser Bereiche ein. Gib NUR den Kurznamen der Branche zurück (keine Präfixe wie 'Hersteller / Produzenten >').") # Strengere Anweisung
|
||
TARGET_SCHEMA_STRING = "\n".join(schema_lines)
|
||
else:
|
||
TARGET_SCHEMA_STRING = "Ziel-Branchenschema nicht verfügbar (Datei leer oder Fehler)."
|
||
ALLOWED_TARGET_BRANCHES = []
|
||
|
||
|
||
def map_external_branch(external_branch):
|
||
"""
|
||
Versucht, eine externe Branchenbezeichnung mithilfe des Mappings in das Ziel-Schema zu überführen.
|
||
Nutzt Normalisierung und Teilstring-Matching als Fallback.
|
||
"""
|
||
if not external_branch or not isinstance(external_branch, str) or not BRANCH_MAPPING:
|
||
return external_branch # Gib Original zurück, wenn kein Input oder kein Mapping
|
||
|
||
norm_external = normalize_string(external_branch).lower()
|
||
|
||
# 1. Exaktes Match (nach Normalisierung)
|
||
if norm_external in BRANCH_MAPPING:
|
||
return BRANCH_MAPPING[norm_external]
|
||
|
||
# 2. Teilstring-Match (prüfe, ob ein Mapping-Key im normalisierten Input enthalten ist)
|
||
# Sortiere Keys nach Länge (absteigend), um spezifischere Treffer zu bevorzugen
|
||
sorted_keys = sorted(BRANCH_MAPPING.keys(), key=len, reverse=True)
|
||
for key in sorted_keys:
|
||
if key in norm_external:
|
||
debug_print(f"Teilstring-Match für Branche: '{key}' in '{norm_external}' -> '{BRANCH_MAPPING[key]}'")
|
||
return BRANCH_MAPPING[key]
|
||
|
||
# 3. Kein Mapping gefunden
|
||
debug_print(f"Kein Mapping für externe Branche '{external_branch}' (normalisiert: '{norm_external}') gefunden.")
|
||
return external_branch # Gib Original zurück, wenn kein Mapping passt
|
||
|
||
|
||
# ==================== TOKEN COUNT FUNCTION ====================
|
||
@retry_on_failure
|
||
def token_count(text):
|
||
"""Zählt Tokens via tiktoken oder schätzt über Leerzeichen."""
|
||
if not text or not isinstance(text, str): return 0
|
||
if tiktoken:
|
||
try:
|
||
# Cache encoding object per model
|
||
if not hasattr(token_count, 'enc_cache'):
|
||
token_count.enc_cache = {}
|
||
if Config.TOKEN_MODEL not in token_count.enc_cache:
|
||
token_count.enc_cache[Config.TOKEN_MODEL] = tiktoken.encoding_for_model(Config.TOKEN_MODEL)
|
||
enc = token_count.enc_cache[Config.TOKEN_MODEL]
|
||
return len(enc.encode(text))
|
||
except Exception as e:
|
||
debug_print(f"Fehler beim Token-Counting mit tiktoken für Modell '{Config.TOKEN_MODEL}': {e}")
|
||
# Fallback zur Schätzung
|
||
return len(text.split())
|
||
else:
|
||
# Fallback Schätzung
|
||
return len(text.split())
|
||
|
||
# ==================== GOOGLE SHEET HANDLER ====================
|
||
class GoogleSheetHandler:
|
||
def __init__(self):
|
||
self.sheet = None
|
||
self.sheet_values = []
|
||
self.headers = [] # Um Header-Zeilen zu speichern
|
||
self._connect()
|
||
self._load_data()
|
||
|
||
@retry_on_failure
|
||
def _connect(self):
|
||
"""Stellt Verbindung zum Google Sheet her."""
|
||
debug_print("Verbinde mit Google Sheets...")
|
||
scope = ["https://www.googleapis.com/auth/spreadsheets"]
|
||
creds = ServiceAccountCredentials.from_json_keyfile_name(CREDENTIALS_FILE, scope)
|
||
gc = gspread.authorize(creds)
|
||
sh = gc.open_by_url(Config.SHEET_URL)
|
||
self.sheet = sh.sheet1
|
||
debug_print("Verbindung zu Google Sheets erfolgreich.")
|
||
|
||
@retry_on_failure
|
||
def _load_data(self):
|
||
"""Lädt alle Daten aus dem Sheet."""
|
||
if not self.sheet:
|
||
debug_print("Fehler: Keine Sheet-Verbindung zum Laden der Daten.")
|
||
return
|
||
debug_print("Lade Daten aus Google Sheet...")
|
||
self.sheet_values = self.sheet.get_all_values()
|
||
if len(self.sheet_values) >= 5:
|
||
self.headers = self.sheet_values[:5] # Zeilen 1-5 als Header speichern
|
||
else:
|
||
self.headers = self.sheet_values[:] # Alle Zeilen als Header, falls weniger als 5
|
||
debug_print(f"Daten geladen: {len(self.sheet_values)} Zeilen insgesamt.")
|
||
# Hier könnte die COLUMN_MAP dynamisch erstellt werden, falls gewünscht
|
||
|
||
def get_data(self):
|
||
"""Gibt die geladenen Daten zurück (ohne Header)."""
|
||
# Annahme: Die ersten 5 Zeilen sind Header
|
||
header_rows = 5
|
||
if len(self.sheet_values) <= header_rows:
|
||
return []
|
||
return self.sheet_values[header_rows:]
|
||
|
||
def get_all_data_with_headers(self):
|
||
"""Gibt alle Daten inklusive Header zurück."""
|
||
return self.sheet_values
|
||
|
||
def get_start_row_index(self, timestamp_col_index=COLUMN_MAP["Timestamp letzte Prüfung"]):
|
||
"""
|
||
Findet den Index der ersten Zeile (0-basiert für Daten nach Header),
|
||
in der der Timestamp fehlt. Startet Suche ab Zeile 7 (Index 2 der Datenliste).
|
||
"""
|
||
header_rows = 5 # Annahme: Zeile 1-5 sind Header
|
||
data_rows = self.sheet_values[header_rows:]
|
||
|
||
# Startet die Suche ab der 7. Zeile des Sheets, was der 2. Datenzeile entspricht (Index 1)
|
||
search_start_index = max(0, 7 - header_rows -1) # Index bezogen auf data_rows
|
||
|
||
for i, row in enumerate(data_rows[search_start_index:], start=search_start_index):
|
||
if len(row) <= timestamp_col_index or not row[timestamp_col_index].strip():
|
||
actual_sheet_row = i + header_rows + 1 # 1-basierte Zeilennummer im Sheet
|
||
debug_print(f"Erste Zeile ohne Zeitstempel in Spalte {timestamp_col_index+1} gefunden: Zeile {actual_sheet_row} (Daten-Index {i})")
|
||
return i # Gibt den 0-basierten Index *innerhalb der Datenliste* zurück
|
||
|
||
# Wenn alle Zeilen ab Zeile 7 einen Zeitstempel haben
|
||
last_index = len(data_rows)
|
||
debug_print(f"Alle Zeilen ab Zeile 7 haben einen Zeitstempel. Nächster Index wäre {last_index}.")
|
||
return last_index # Gibt den Index nach der letzten Datenzeile zurück
|
||
|
||
@retry_on_failure
|
||
def batch_update_cells(self, update_data):
|
||
"""
|
||
Führt ein Batch-Update im Google Sheet durch.
|
||
Args:
|
||
update_data (list): Eine Liste von Dictionaries, jedes mit 'range' und 'values'.
|
||
z.B. [{'range': 'A1', 'values': [['Wert']]}, ...]
|
||
"""
|
||
if not self.sheet:
|
||
debug_print("Fehler: Keine Sheet-Verbindung für Batch-Update.")
|
||
return False
|
||
if not update_data:
|
||
debug_print("Keine Daten für Batch-Update vorhanden.")
|
||
return True # Kein Fehler, aber nichts zu tun
|
||
try:
|
||
self.sheet.batch_update(update_data)
|
||
debug_print(f"Batch-Update erfolgreich ({len(update_data)} Zellen/Bereiche aktualisiert).")
|
||
return True
|
||
except gspread.exceptions.APIError as e:
|
||
debug_print(f"Google API Fehler beim Batch-Update: {e}")
|
||
# Hier könnte spezifische Fehlerbehandlung erfolgen (z.B. RateLimit)
|
||
raise # Fehler weitergeben, damit retry greifen kann
|
||
except Exception as e:
|
||
debug_print(f"Allgemeiner Fehler beim Batch-Update: {e}")
|
||
raise # Fehler weitergeben
|
||
|
||
|
||
# ==================== WIKIPEDIA SCRAPER ====================
|
||
class WikipediaScraper:
|
||
def __init__(self):
|
||
try:
|
||
wikipedia.set_lang(Config.LANG)
|
||
except Exception as e:
|
||
debug_print(f"Fehler beim Setzen der Wikipedia-Sprache: {e}")
|
||
|
||
def _get_full_domain(self, website):
|
||
"""Extrahiert Domain (ohne www, ohne Pfad) aus URL."""
|
||
if not website or not isinstance(website, str): return ""
|
||
# Nutze die normalisierte URL
|
||
normalized_url = simple_normalize_url(website)
|
||
if normalized_url == "k.A.": return ""
|
||
# Entferne 'www.' falls vorhanden
|
||
if normalized_url.startswith("www."):
|
||
return normalized_url[4:]
|
||
return normalized_url
|
||
|
||
def _generate_search_terms(self, company_name, website):
|
||
"""Generiert Suchbegriffe für Wikipedia."""
|
||
terms = set() # Verwende Set, um Duplikate zu vermeiden
|
||
|
||
# 1. Domain (ohne www)
|
||
full_domain = self._get_full_domain(website)
|
||
if full_domain:
|
||
terms.add(full_domain.split('.')[0]) # Nur der Domain-Name selbst
|
||
|
||
# 2. Normalisierter Firmenname (verschiedene Längen)
|
||
normalized_name = normalize_company_name(company_name)
|
||
if normalized_name:
|
||
name_parts = normalized_name.split()
|
||
if len(name_parts) > 0:
|
||
terms.add(name_parts[0]) # Erstes Wort
|
||
if len(name_parts) > 1:
|
||
terms.add(" ".join(name_parts[:2])) # Erste zwei Worte
|
||
terms.add(normalized_name) # Ganzer normalisierter Name
|
||
|
||
# 3. Original Firmenname (falls abweichend und nicht zu lang)
|
||
original_name_cleaned = clean_text(company_name).lower()
|
||
if original_name_cleaned != normalized_name and len(original_name_cleaned) < 50:
|
||
terms.add(original_name_cleaned)
|
||
|
||
# Filter leere Strings und konvertiere zu Liste
|
||
final_terms = [term for term in terms if term]
|
||
debug_print(f"Generierte Wikipedia-Suchbegriffe für '{company_name}': {final_terms}")
|
||
return final_terms
|
||
|
||
@retry_on_failure
|
||
def _fetch_page_content(self, page_title):
|
||
"""Lädt eine Wikipedia-Seite sicher."""
|
||
try:
|
||
# Nutze page() mit auto_suggest=False und preload=True für Effizienz
|
||
page = wikipedia.page(page_title, auto_suggest=False, preload=True)
|
||
return page
|
||
except wikipedia.exceptions.PageError:
|
||
debug_print(f"Wikipedia PageError: Seite '{page_title}' nicht gefunden.")
|
||
return None
|
||
except wikipedia.exceptions.DisambiguationError as e:
|
||
debug_print(f"Wikipedia DisambiguationError für '{page_title}': {e.options[:5]}")
|
||
# Optional: Versuche, die erste Option automatisch zu wählen?
|
||
# try:
|
||
# return wikipedia.page(e.options[0], auto_suggest=False, preload=True)
|
||
# except Exception as inner_e:
|
||
# debug_print(f"Fehler beim Laden der ersten Disambiguation-Option: {inner_e}")
|
||
# return None
|
||
return None # Vorerst keine automatische Auswahl
|
||
except Exception as e:
|
||
debug_print(f"Allgemeiner Fehler beim Laden der Wikipedia-Seite '{page_title}': {e}")
|
||
return None
|
||
|
||
@retry_on_failure
|
||
def _fetch_page_html(self, page_url):
|
||
""" Lädt HTML einer Seite für manuelles Parsing. """
|
||
try:
|
||
response = requests.get(page_url, timeout=10)
|
||
response.raise_for_status()
|
||
return response.text
|
||
except requests.exceptions.RequestException as e:
|
||
debug_print(f"Fehler beim Abrufen von HTML von {page_url}: {e}")
|
||
return None
|
||
|
||
|
||
def _validate_article(self, page, company_name, website):
|
||
"""Prüft Ähnlichkeit Titel vs. Name und ob Domain im Artikel vorkommt."""
|
||
if not page: return False
|
||
|
||
page_title = page.title
|
||
normalized_title = normalize_company_name(page_title)
|
||
normalized_company = normalize_company_name(company_name)
|
||
|
||
# 1. Ähnlichkeitsprüfung der Namen
|
||
name_similarity = fuzzy_similarity(normalized_title, normalized_company)
|
||
debug_print(f"Namensähnlichkeit für '{page_title}': {name_similarity:.2f} ('{normalized_title}' vs '{normalized_company}')")
|
||
|
||
# 2. Domain-Prüfung
|
||
full_domain = self._get_full_domain(website)
|
||
domain_found = False
|
||
if full_domain:
|
||
try:
|
||
# Prüfe externe Links zuerst (effizienter)
|
||
if hasattr(page, 'externallinks'):
|
||
for ext_link in page.externallinks:
|
||
if full_domain in ext_link.lower():
|
||
debug_print(f"Domain '{full_domain}' in externem Link gefunden: {ext_link}")
|
||
domain_found = True
|
||
break
|
||
|
||
# Wenn nicht gefunden, prüfe Infobox (aufwändiger, erfordert HTML-Parsing)
|
||
if not domain_found:
|
||
html_content = self._fetch_page_html(page.url)
|
||
if html_content:
|
||
soup = BeautifulSoup(html_content, Config.HTML_PARSER)
|
||
infobox = soup.find('table', class_=lambda c: c and 'infobox' in c.lower())
|
||
if infobox:
|
||
links = infobox.find_all('a', href=True)
|
||
for link in links:
|
||
href = link.get('href', '').lower()
|
||
# Suche nach der Domain in externen Links innerhalb der Infobox
|
||
if full_domain in href and ('http://' in href or 'https://' in href):
|
||
debug_print(f"Domain '{full_domain}' in Infobox-Link gefunden: {href}")
|
||
domain_found = True
|
||
break
|
||
except Exception as e:
|
||
debug_print(f"Fehler bei der Domain-Validierung für '{page_title}': {e}")
|
||
|
||
# 3. Entscheidung
|
||
# Hohe Ähnlichkeit ODER moderate Ähnlichkeit UND Domain gefunden
|
||
threshold = Config.SIMILARITY_THRESHOLD
|
||
if name_similarity >= threshold + 0.1: # Bei sehr hoher Ähnlichkeit
|
||
debug_print(f"Validierung OK (Hohe Namensähnlichkeit): {page_title}")
|
||
return True
|
||
if name_similarity >= threshold - 0.1 and domain_found: # Bei moderater Ähnlichkeit, wenn Domain passt
|
||
debug_print(f"Validierung OK (Moderate Ähnlichkeit + Domain gefunden): {page_title}")
|
||
return True
|
||
|
||
debug_print(f"Validierung fehlgeschlagen für '{page_title}' (Ähnlichkeit: {name_similarity:.2f}, Domain gefunden: {domain_found})")
|
||
return False
|
||
|
||
|
||
def extract_first_paragraph(self, page_content):
|
||
"""Extrahiert den ersten sinnvollen Absatz aus dem Seiteninhalt."""
|
||
if not page_content: return "k.A."
|
||
# Nutze page.summary, da dies oft der erste Absatz ist
|
||
summary = clean_text(page_content)
|
||
if len(summary) > 50:
|
||
# Begrenze Länge, um nicht zu viel Text zu haben
|
||
return summary[:1000] # Max 1000 Zeichen
|
||
return "k.A."
|
||
|
||
|
||
def _extract_infobox_data(self, page_url):
|
||
"""Extrahiert Branche, Umsatz, Mitarbeiter aus der Infobox (via HTML)."""
|
||
data = {'branche': 'k.A.', 'umsatz': 'k.A.', 'mitarbeiter': 'k.A.'}
|
||
html_content = self._fetch_page_html(page_url)
|
||
if not html_content: return data
|
||
|
||
try:
|
||
soup = BeautifulSoup(html_content, Config.HTML_PARSER)
|
||
# Finde Infobox (flexiblere Suche nach Klassen)
|
||
infobox = soup.find('table', class_=lambda c: c and any(kw in c.lower() for kw in ['infobox', 'vcard', 'unternehmen']))
|
||
if not infobox: return data
|
||
|
||
# Definiere Keywords für jede Information
|
||
keywords_map = {
|
||
'branche': ['branche', 'industrie', 'tätigkeit', 'geschäftsfeld', 'sektor', 'produkte', 'leistungen', 'wirtschaftszweig'],
|
||
'umsatz': ['umsatz', 'jahresumsatz', 'erlöse', 'umsatzerlöse', 'einnahmen', 'ergebnis'],
|
||
'mitarbeiter': ['mitarbeiter', 'beschäftigte', 'personal', 'mitarbeiterzahl', 'angestellte', 'belegschaft']
|
||
}
|
||
|
||
rows = infobox.find_all('tr')
|
||
for row in rows:
|
||
header = row.find('th')
|
||
value_cell = row.find('td')
|
||
if header and value_cell:
|
||
header_text = clean_text(header.get_text()).lower()
|
||
raw_value_text = value_cell.get_text(separator=' ', strip=True) # Text aus der Zelle holen
|
||
|
||
# Suche nach Keywords in der Kopfzeile
|
||
for key, keywords in keywords_map.items():
|
||
if any(kw in header_text for kw in keywords):
|
||
# Wenn ein Keyword passt, verarbeite den Wert
|
||
if key == 'branche':
|
||
# Für Branche: Bereinige Referenzen und Klammern, bevor clean_text
|
||
cleaned_branch = re.sub(r'\[.*?\]|\(.*?\)', '', raw_value_text)
|
||
data['branche'] = clean_text(cleaned_branch)
|
||
elif key == 'umsatz':
|
||
data['umsatz'] = extract_numeric_value(raw_value_text, is_umsatz=True)
|
||
elif key == 'mitarbeiter':
|
||
data['mitarbeiter'] = extract_numeric_value(raw_value_text, is_umsatz=False)
|
||
# Optional: break, wenn ein Wert für diese Zeile gefunden wurde?
|
||
# break # Verhindert, dass z.B. "Umsatz" auch als "Ergebnis" interpretiert wird, falls beide Keywords passen
|
||
|
||
# Fallback: Manchmal steht die Branche ohne explizites th da
|
||
if data['branche'] == 'k.A.':
|
||
possible_branches = infobox.select('tr > td[colspan="2"]') # Suche nach Zellen über 2 Spalten
|
||
for pb in possible_branches:
|
||
pb_text = clean_text(pb.get_text())
|
||
# Prüfe, ob Text nach Branche aussieht (keine Zahlen, nicht zu lang)
|
||
if pb_text and not any(char.isdigit() for char in pb_text) and len(pb_text) < 100:
|
||
is_likely_branch = True
|
||
for kw_list in keywords_map.values(): # Nicht mit anderen Keywords verwechseln
|
||
if any(kw in pb_text.lower() for kw in kw_list):
|
||
is_likely_branch = False
|
||
break
|
||
if is_likely_branch:
|
||
data['branche'] = pb_text
|
||
break
|
||
|
||
except Exception as e:
|
||
debug_print(f"Fehler beim Parsen der Infobox von {page_url}: {e}")
|
||
|
||
return data
|
||
|
||
|
||
def extract_categories(self, page_url):
|
||
"""Extrahiert Kategorien (via HTML)."""
|
||
html_content = self._fetch_page_html(page_url)
|
||
if not html_content: return "k.A."
|
||
try:
|
||
soup = BeautifulSoup(html_content, Config.HTML_PARSER)
|
||
cat_div = soup.find('div', id="mw-normal-catlinks")
|
||
if cat_div:
|
||
ul = cat_div.find('ul')
|
||
if ul:
|
||
cats = [clean_text(li.get_text()) for li in ul.find_all('li')]
|
||
# Filtere leere Kategorien und Standardkategorien
|
||
cats = [cat for cat in cats if cat and cat != "Kategorien:" and "Wikipedia:" not in cat]
|
||
return ", ".join(cats) if cats else "k.A."
|
||
except Exception as e:
|
||
debug_print(f"Fehler beim Extrahieren der Kategorien von {page_url}: {e}")
|
||
return "k.A."
|
||
|
||
def extract_company_data(self, page_url):
|
||
"""Extrahiert alle relevanten Daten von einer Wikipedia-Seite."""
|
||
default_data = {
|
||
'url': page_url if page_url else 'k.A.',
|
||
'first_paragraph': 'k.A.', 'branche': 'k.A.', 'umsatz': 'k.A.',
|
||
'mitarbeiter': 'k.A.', 'categories': 'k.A.'
|
||
}
|
||
if not page_url or page_url == 'k.A.':
|
||
return default_data
|
||
|
||
# Lade Seiteninhalt über die wikipedia library (für summary)
|
||
page = self._fetch_page_content(page_url.split('/')[-1]) # Nutze Titel aus URL
|
||
if not page:
|
||
# Wenn Seite nicht geladen werden kann, HTML trotzdem versuchen zu parsen
|
||
debug_print(f"Konnte Seite '{page_url}' nicht über Wikipedia-Lib laden, versuche HTML-Parsing.")
|
||
|
||
# Extrahiere Daten, die HTML benötigen
|
||
infobox_data = self._extract_infobox_data(page_url)
|
||
categories_val = self.extract_categories(page_url)
|
||
|
||
# Extrahiere Absatz (nutze page.summary wenn verfügbar, sonst leer)
|
||
first_paragraph = self.extract_first_paragraph(page.summary) if page else "k.A."
|
||
|
||
# Kombiniere Ergebnisse
|
||
company_data = {
|
||
'url': page_url,
|
||
'first_paragraph': first_paragraph,
|
||
'branche': infobox_data['branche'],
|
||
'umsatz': infobox_data['umsatz'],
|
||
'mitarbeiter': infobox_data['mitarbeiter'],
|
||
'categories': categories_val
|
||
}
|
||
# debug_print(f"Extrahierte Wiki-Daten für {page_url}: {company_data}")
|
||
return company_data
|
||
|
||
# retry_on_failure ist hier schon drauf
|
||
def search_company_article(self, company_name, website):
|
||
"""Sucht nach einem passenden Wikipedia-Artikel."""
|
||
search_terms = self._generate_search_terms(company_name, website)
|
||
if not search_terms:
|
||
debug_print("Keine Suchbegriffe generiert, Wikipedia-Suche übersprungen.")
|
||
return None
|
||
|
||
for term in search_terms:
|
||
try:
|
||
# wikipedia.search gibt Titel zurück
|
||
results = wikipedia.search(term, results=Config.WIKIPEDIA_SEARCH_RESULTS)
|
||
debug_print(f"Wikipedia-Suchergebnisse für '{term}': {results}")
|
||
for title in results:
|
||
page = self._fetch_page_content(title)
|
||
if page and self._validate_article(page, company_name, website):
|
||
debug_print(f"Passenden Wikipedia-Artikel gefunden: {page.url}")
|
||
return page # Gib das Page-Objekt zurück
|
||
except Exception as e:
|
||
# Fehler bei der Suche selbst (Netzwerk etc.)
|
||
debug_print(f"Fehler während der Wikipedia-Suche für '{term}': {e}")
|
||
# Hier nicht abbrechen, sondern nächsten Suchbegriff versuchen
|
||
continue # Zum nächsten Suchbegriff
|
||
|
||
debug_print(f"Kein passender Wikipedia-Artikel für '{company_name}' gefunden.")
|
||
return None
|
||
|
||
# ==================== WEBSITE SCRAPING ====================
|
||
|
||
@retry_on_failure
|
||
def get_website_raw(url, max_length=1000, verify_cert=False):
|
||
"""Holt Textinhalt von einer Website."""
|
||
if not url or not isinstance(url, str) or url.strip().lower() == 'k.a.':
|
||
return "k.A."
|
||
|
||
# Normalisiere URL und füge https hinzu wenn nötig
|
||
if not url.lower().startswith("http"):
|
||
url = "https://" + url
|
||
|
||
headers = {
|
||
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36"
|
||
}
|
||
|
||
try:
|
||
# Deaktiviere Zertifikatsprüfung explizit, falls verify_cert=False
|
||
response = requests.get(url, timeout=10, headers=headers, verify=verify_cert)
|
||
response.raise_for_status() # Fehler bei Statuscodes >= 400
|
||
|
||
# Encoding prüfen und ggf. korrigieren
|
||
response.encoding = response.apparent_encoding
|
||
|
||
soup = BeautifulSoup(response.text, Config.HTML_PARSER)
|
||
|
||
# Entferne Skript- und Style-Tags
|
||
for script_or_style in soup(["script", "style"]):
|
||
script_or_style.decompose()
|
||
|
||
# Finde body oder main content
|
||
body = soup.find('body')
|
||
content_area = soup.find('main') or body # Bevorzuge <main>, sonst <body>
|
||
|
||
if content_area:
|
||
# Extrahiere Text, trenne mit Leerzeichen, entferne überflüssigen Whitespace
|
||
text = content_area.get_text(separator=' ', strip=True)
|
||
text = re.sub(r'\s+', ' ', text) # Normalisiere Whitespace
|
||
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 <body> oder <main> Tag 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...")
|
||
# Erneuter Versuch ohne Verifizierung
|
||
if verify_cert: # Nur wenn der erste Versuch mit Verifizierung war
|
||
return get_website_raw(url, max_length, verify_cert=False)
|
||
else:
|
||
return "k.A." # Wenn auch ohne Verifizierung Fehler auftritt
|
||
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."
|
||
|
||
@retry_on_failure
|
||
def scrape_website_details(url):
|
||
"""Extrahiert Title, Description, H1-H3 von einer Website."""
|
||
if not url or not isinstance(url, str) or url.strip().lower() == 'k.a.':
|
||
return "k.A."
|
||
|
||
if not url.lower().startswith("http"):
|
||
url = "https://" + url
|
||
|
||
headers = {"User-Agent": "Mozilla/5.0"}
|
||
try:
|
||
response = requests.get(url, timeout=10, headers=headers, verify=False) # Oft nötig bei vielen Seiten
|
||
response.raise_for_status()
|
||
response.encoding = response.apparent_encoding
|
||
soup = BeautifulSoup(response.text, Config.HTML_PARSER)
|
||
|
||
# Title
|
||
title_tag = soup.find("title")
|
||
title = clean_text(title_tag.get_text()) if title_tag else "k.A."
|
||
|
||
# Description
|
||
meta_tag = soup.find("meta", attrs={"name": lambda x: x and x.lower() == "description"})
|
||
description = clean_text(meta_tag["content"]) if meta_tag and meta_tag.get("content") else "k.A."
|
||
|
||
# Headers H1-H3
|
||
headers_data = {}
|
||
for tag in ["h1", "h2", "h3"]:
|
||
elements = soup.find_all(tag)
|
||
header_texts = [clean_text(el.get_text()) for el in elements]
|
||
header_texts = [h for h in header_texts if h != "k.A." and len(h) > 2] # Filtern
|
||
headers_data[tag] = ", ".join(header_texts[:5]) if header_texts else "k.A." # Max 5 pro Typ
|
||
|
||
combined = (
|
||
f"Title: {title} | Description: {description} | "
|
||
f"H1: {headers_data['h1']} | H2: {headers_data['h2']} | H3: {headers_data['h3']}"
|
||
)
|
||
# Kürze ggf. das Gesamtergebnis
|
||
return combined[:1500] # Limit Gesamtstring
|
||
|
||
except requests.exceptions.RequestException as e:
|
||
debug_print(f"Netzwerk-/HTTP-Fehler beim Detail-Scraping von {url}: {e}")
|
||
return "k.A."
|
||
except Exception as e:
|
||
debug_print(f"Allgemeiner Fehler beim Detail-Scraping von {url}: {e}")
|
||
return "k.A."
|
||
|
||
|
||
# ==================== 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: <Exakter Kurzname der Branche aus der Liste>")
|
||
prompt_parts.append("Übereinstimmung: <ok oder X (Vergleich deines Vorschlags mit der extrahierten Kurzform der CRM-Referenz)>")
|
||
prompt_parts.append("Begründung: <Sehr kurze Begründung für deinen Branchenvorschlag>")
|
||
|
||
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 Spalten S-Y sowie Zeitstempel (AO) und Version (AP).
|
||
"""
|
||
if not batches:
|
||
return
|
||
|
||
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 <Zeilennummer>: <Antwort>\n\n"
|
||
"Mögliche Antworten:\n"
|
||
"- 'OK' (wenn der Artikel gut passt)\n"
|
||
"- 'X | Alternativer Artikel: <URL> | Begründung: <Kurze Begründung>' (wenn der Artikel nicht passt, aber ein besserer gefunden wurde)\n"
|
||
"- 'X | Kein passender Artikel gefunden | Begründung: <Kurze 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) # 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]}.")
|
||
|
||
# Token Count für den Prompt
|
||
prompt_tokens = token_count(aggregated_prompt)
|
||
debug_print(f"Token-Zahl für Verifizierungs-Batch: {prompt_tokens}")
|
||
# Optional: Prüfung auf Token-Limit vor dem Senden
|
||
# if prompt_tokens > 3800: # Beispiel-Limit für gpt-3.5-turbo (4096 gesamt)
|
||
# debug_print(f"WARNUNG: Prompt für Batch {row_numbers[0]}-{row_numbers[-1]} überschreitet möglicherweise Token-Limit ({prompt_tokens}). Überspringe Batch.")
|
||
# # Hier könnte man den Batch aufteilen
|
||
# return
|
||
|
||
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]}.")
|
||
# Optional: Markiere Zeilen als fehlerhaft
|
||
return
|
||
|
||
# Parse die aggregierte Antwort
|
||
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:
|
||
debug_print(f"Warnung: Antwort für unerwartete Zeilennummer {row_num} im Batch erhalten: {answer_text}")
|
||
|
||
# Bereite Batch-Update für Google Sheet vor
|
||
updates = []
|
||
current_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
|
||
current_version = Config.VERSION
|
||
|
||
for row_num in row_numbers:
|
||
answer = answers.get(row_num, "k.A. (Keine Antwort im Batch)") # Fallback
|
||
debug_print(f"Zeile {row_num} Verifizierungsantwort: '{answer}'")
|
||
|
||
wiki_confirm = "" # Spalte S
|
||
alt_article = "" # Spalte T
|
||
wiki_explanation = "" # Spalte U
|
||
# Spalten V-Y bleiben vorerst leer oder werden hier gesetzt
|
||
v_val, w_val, x_val, y_val = "", "", "", "" # Beispiel
|
||
|
||
if answer.upper() == "OK":
|
||
wiki_confirm = "OK"
|
||
elif answer.upper() == "KEIN WIKIPEDIA-EINTRAG VORHANDEN.":
|
||
wiki_confirm = "X" # Markieren, da eigentlich einer da sein sollte
|
||
alt_article = "Kein Wikipedia-Eintrag vorhanden."
|
||
wiki_explanation = "Ursprünglich keine URL oder Suche erfolglos."
|
||
elif answer.startswith("X |"):
|
||
parts = answer.split("|", 2) # Splitte maximal 2 mal
|
||
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 = "Kein passender Artikel gefunden"
|
||
else: # Fallback, falls Format unerwartet
|
||
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: # Fallback
|
||
wiki_explanation = reason_part
|
||
else: # Unerwartetes Format
|
||
wiki_confirm = "?"
|
||
wiki_explanation = f"Unerwartetes Format: {answer}"
|
||
|
||
# Füge Updates für diese Zeile 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]]})
|
||
# Setze V-Y zurück/leer
|
||
updates.append({'range': f'V{row_num}:Y{row_num}', 'values': [[v_val, w_val, x_val, y_val]]})
|
||
# Zeitstempel und Version
|
||
updates.append({'range': f'AO{row_num}', 'values': [[current_timestamp]]})
|
||
updates.append({'range': f'AP{row_num}', 'values': [[current_version]]})
|
||
|
||
# Führe das Batch-Update für alle Zeilen dieses Batches durch
|
||
if updates:
|
||
GoogleSheetHandler().batch_update_cells(updates) # Nutze die zentrale Update-Funktion
|
||
debug_print(f"Verifizierungs-Batch {row_numbers[0]}-{row_numbers[-1]} erfolgreich in Google Sheet aktualisiert.")
|
||
else:
|
||
debug_print(f"Keine Updates für Verifizierungs-Batch {row_numbers[0]}-{row_numbers[-1]} generiert.")
|
||
|
||
# Kurze Pause nach jedem Batch-API-Call
|
||
time.sleep(Config.RETRY_DELAY)
|
||
|
||
|
||
def process_verification_only(sheet_handler, row_limit=None):
|
||
"""Batch-Prozess nur für Wikipedia-Verifizierung (Modus 51, jetzt 'wiki' im Dispatcher)."""
|
||
debug_print("Starte Wikipedia-Verifizierungsmodus (Batch)...")
|
||
|
||
all_data = sheet_handler.get_all_data_with_headers() # Hole alle Daten inkl. Header
|
||
header_rows = 5 # Zeilen 1-5 sind Header
|
||
|
||
# Finde Startzeile (erste Zeile ab Zeile 7 ohne Zeitstempel in AO)
|
||
start_row_index_in_sheet = -1 # 1-basierter Index im Sheet
|
||
for i in range(header_rows + 1, len(all_data) + 1): # Starte Prüfung ab Zeile 6 (Index 5)
|
||
if i < 7: continue # Überspringe Zeilen vor 7
|
||
|
||
row_index_in_list = i - 1 # 0-basierter Index in all_data
|
||
row = all_data[row_index_in_list]
|
||
# Prüfe Zeitstempel in Spalte AO (Index 40)
|
||
if len(row) <= COLUMN_MAP["Timestamp letzte Prüfung"] or not row[COLUMN_MAP["Timestamp letzte Prüfung"]].strip():
|
||
start_row_index_in_sheet = i
|
||
break
|
||
|
||
if start_row_index_in_sheet == -1:
|
||
debug_print("Keine Zeile ohne Zeitstempel in Spalte AO (ab Zeile 7) gefunden. Verifizierung übersprungen.")
|
||
return
|
||
|
||
debug_print(f"Verarbeitung startet ab Zeile {start_row_index_in_sheet} (erste Zeile ab 7 ohne Zeitstempel in AO).")
|
||
|
||
# Bestimme Endzeile basierend auf row_limit
|
||
if row_limit is not None and row_limit > 0:
|
||
end_row_index_in_sheet = min(start_row_index_in_sheet + row_limit - 1, len(all_data))
|
||
else:
|
||
end_row_index_in_sheet = len(all_data) # Bis zum Ende des Sheets
|
||
|
||
if start_row_index_in_sheet > end_row_index_in_sheet:
|
||
debug_print("Startzeile liegt nach der Endzeile. Keine Verarbeitung.")
|
||
return
|
||
|
||
debug_print(f"Verarbeite Zeilen von {start_row_index_in_sheet} bis {end_row_index_in_sheet}.")
|
||
|
||
batch_size = Config.BATCH_SIZE
|
||
current_batch = []
|
||
current_row_numbers = []
|
||
|
||
for i in range(start_row_index_in_sheet, end_row_index_in_sheet + 1):
|
||
row_index_in_list = i - 1
|
||
row = all_data[row_index_in_list]
|
||
|
||
# Erstelle Text für den Prompt (verwende Spaltennamen/Indizes)
|
||
# Annahme: COLUMN_MAP ist verfügbar und korrekt
|
||
company_name = row[COLUMN_MAP["CRM Name"]] if len(row) > COLUMN_MAP["CRM Name"] else ''
|
||
crm_desc = row[COLUMN_MAP["CRM Beschreibung"]] if len(row) > COLUMN_MAP["CRM Beschreibung"] else ''
|
||
wiki_url = row[COLUMN_MAP["Wiki URL"]] if len(row) > COLUMN_MAP["Wiki URL"] and row[COLUMN_MAP["Wiki URL"]].strip() not in ['', 'k.A.'] else 'k.A.'
|
||
wiki_paragraph = row[COLUMN_MAP["Wiki Absatz"]] if len(row) > COLUMN_MAP["Wiki Absatz"] else 'k.A.'
|
||
wiki_categories = row[COLUMN_MAP["Wiki Kategorien"]] if len(row) > COLUMN_MAP["Wiki Kategorien"] else 'k.A.'
|
||
|
||
entry_text = (
|
||
f"Eintrag {i}:\n"
|
||
f" Firmenname: {company_name}\n"
|
||
f" CRM-Beschreibung: {crm_desc[:200]}...\n" # Gekürzt
|
||
f" Wikipedia-URL: {wiki_url}\n"
|
||
f" Wiki-Absatz: {wiki_paragraph[:200]}...\n" # Gekürzt
|
||
f" Wiki-Kategorien: {wiki_categories[:200]}...\n" # Gekürzt
|
||
f"----\n"
|
||
)
|
||
current_batch.append(entry_text)
|
||
current_row_numbers.append(i)
|
||
|
||
# Wenn Batch voll oder letzte Zeile erreicht
|
||
if len(current_batch) == batch_size or i == end_row_index_in_sheet:
|
||
_process_batch(sheet_handler.sheet, current_batch, current_row_numbers)
|
||
# Reset für nächsten Batch
|
||
current_batch = []
|
||
current_row_numbers = []
|
||
|
||
debug_print("Wikipedia-Verifizierungs-Batch abgeschlossen.")
|
||
|
||
|
||
def process_website_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet):
|
||
"""Batch-Prozess für Website-Scraping (Rohtext & Zusammenfassung)."""
|
||
debug_print(f"Starte Website-Scraping (Batch) für Zeilen {start_row_index_in_sheet} bis {end_row_index_in_sheet}...")
|
||
|
||
all_data = sheet_handler.get_all_data_with_headers()
|
||
sheet = sheet_handler.sheet # Direkter Zugriff auf das Sheet-Objekt
|
||
|
||
for i in range(start_row_index_in_sheet, end_row_index_in_sheet + 1):
|
||
row_index_in_list = i - 1
|
||
row = all_data[row_index_in_list]
|
||
|
||
# TODO: Hier prüfen, ob Verarbeitung übersprungen werden soll (z.B. Zeitstempel schon vorhanden?)
|
||
# if len(row) > COLUMN_MAP["Timestamp letzte Prüfung"] and row[COLUMN_MAP["Timestamp letzte Prüfung"]].strip():
|
||
# debug_print(f"Zeile {i}: Überspringe Website-Scraping (Zeitstempel vorhanden).")
|
||
# continue
|
||
|
||
website_url = row[COLUMN_MAP["CRM Website"]] if len(row) > COLUMN_MAP["CRM Website"] else ""
|
||
if not website_url or website_url.strip().lower() == "k.a.":
|
||
debug_print(f"Zeile {i}: Kein gültiger Website-Eintrag, überspringe Website-Scraping.")
|
||
# Optional: Zeitstempel trotzdem setzen?
|
||
# sheet.update_cell(i, COLUMN_MAP["Timestamp letzte Prüfung"] + 1, datetime.now().strftime("%Y-%m-%d %H:%M:%S"))
|
||
# sheet.update_cell(i, COLUMN_MAP["Version"] + 1, Config.VERSION)
|
||
continue
|
||
|
||
debug_print(f"Zeile {i}: Verarbeite Website {website_url}...")
|
||
raw_text = get_website_raw(website_url)
|
||
summary = summarize_website_content(raw_text)
|
||
|
||
updates = []
|
||
current_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
|
||
current_version = Config.VERSION
|
||
|
||
updates.append({'range': f'AR{i}', 'values': [[raw_text]]}) # Spalte AR
|
||
updates.append({'range': f'AS{i}', 'values': [[summary]]}) # Spalte AS
|
||
updates.append({'range': f'AO{i}', 'values': [[current_timestamp]]}) # Spalte AO
|
||
updates.append({'range': f'AP{i}', 'values': [[current_version]]}) # Spalte AP
|
||
|
||
# Führe Batch-Update für diese eine Zeile durch
|
||
if updates:
|
||
sheet_handler.batch_update_cells(updates)
|
||
debug_print(f"Zeile {i}: Website-Daten aktualisiert | Zeitstempel: {current_timestamp}, Version: {current_version}")
|
||
|
||
# Pause zwischen den Zeilen/Websites
|
||
time.sleep(Config.RETRY_DELAY)
|
||
|
||
debug_print("Website-Scraping (Batch) abgeschlossen.")
|
||
|
||
|
||
def process_branch_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet):
|
||
"""Batch-Prozess für Brancheneinschätzung."""
|
||
debug_print(f"Starte Brancheneinschätzung (Batch) für Zeilen {start_row_index_in_sheet} bis {end_row_index_in_sheet}...")
|
||
|
||
all_data = sheet_handler.get_all_data_with_headers()
|
||
sheet = sheet_handler.sheet
|
||
|
||
# Stelle sicher, dass das Branchenschema geladen ist
|
||
if not ALLOWED_TARGET_BRANCHES:
|
||
load_target_schema() # Versuch es zu laden
|
||
if not ALLOWED_TARGET_BRANCHES:
|
||
debug_print("FEHLER: Ziel-Branchenschema konnte nicht geladen werden. Breche Branch-Batch ab.")
|
||
return
|
||
|
||
for i in range(start_row_index_in_sheet, end_row_index_in_sheet + 1):
|
||
row_index_in_list = i - 1
|
||
row = all_data[row_index_in_list]
|
||
|
||
# TODO: Zeitstempelprüfung zum Überspringen?
|
||
# if len(row) > COLUMN_MAP["Timestamp letzte Prüfung"] and row[COLUMN_MAP["Timestamp letzte Prüfung"]].strip():
|
||
# debug_print(f"Zeile {i}: Überspringe Branchen-Einschätzung (Zeitstempel vorhanden).")
|
||
# continue
|
||
|
||
# Hole benötigte Daten aus der Zeile (verwende COLUMN_MAP)
|
||
crm_branche = row[COLUMN_MAP["CRM Branche"]] if len(row) > COLUMN_MAP["CRM Branche"] else ""
|
||
beschreibung = row[COLUMN_MAP["CRM Beschreibung"]] if len(row) > COLUMN_MAP["CRM Beschreibung"] else ""
|
||
wiki_branche = row[COLUMN_MAP["Wiki Branche"]] if len(row) > COLUMN_MAP["Wiki Branche"] else ""
|
||
wiki_kategorien = row[COLUMN_MAP["Wiki Kategorien"]] if len(row) > COLUMN_MAP["Wiki Kategorien"] else ""
|
||
# Nimm Website Zusammenfassung aus Spalte AS (Index 44)
|
||
website_summary = row[COLUMN_MAP["Website Zusammenfassung"]] if len(row) > COLUMN_MAP["Website Zusammenfassung"] else ""
|
||
|
||
debug_print(f"Zeile {i}: Starte Brancheneinschätzung...")
|
||
result = evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kategorien, website_summary)
|
||
|
||
updates = []
|
||
current_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
|
||
current_version = Config.VERSION
|
||
|
||
updates.append({'range': f'W{i}', 'values': [[result.get("branch", "Fehler")]]}) # Spalte W
|
||
updates.append({'range': f'X{i}', 'values': [[result.get("consistency", "Fehler")]]}) # Spalte X
|
||
updates.append({'range': f'Y{i}', 'values': [[result.get("justification", "Fehler")]]}) # Spalte Y
|
||
updates.append({'range': f'AO{i}', 'values': [[current_timestamp]]}) # Spalte AO
|
||
updates.append({'range': f'AP{i}', 'values': [[current_version]]}) # Spalte AP
|
||
|
||
# Führe Batch-Update für diese eine Zeile durch
|
||
if updates:
|
||
sheet_handler.batch_update_cells(updates)
|
||
debug_print(f"Zeile {i}: Branch-Einschätzung aktualisiert: {result} | Zeitstempel: {current_timestamp}, Version: {current_version}")
|
||
|
||
# Pause zwischen den API-Aufrufen
|
||
time.sleep(Config.RETRY_DELAY)
|
||
|
||
debug_print("Brancheneinschätzung (Batch) abgeschlossen.")
|
||
|
||
|
||
def run_dispatcher(mode, sheet_handler, row_limit=None):
|
||
"""Wählt den passenden Batch-Prozess basierend auf dem Modus."""
|
||
debug_print(f"Starte Dispatcher im Modus '{mode}' mit row_limit={row_limit}.")
|
||
|
||
# Finde Startzeile (erste Zeile ab 7 ohne Zeitstempel in AO)
|
||
data = sheet_handler.get_all_data_with_headers()
|
||
header_rows = 5
|
||
start_row_index_in_sheet = -1
|
||
for i in range(header_rows + 1, len(data) + 1):
|
||
if i < 7: continue
|
||
row_index_in_list = i - 1
|
||
row = data[row_index_in_list]
|
||
if len(row) <= COLUMN_MAP["Timestamp letzte Prüfung"] or not row[COLUMN_MAP["Timestamp letzte Prüfung"]].strip():
|
||
start_row_index_in_sheet = i
|
||
break
|
||
|
||
if start_row_index_in_sheet == -1:
|
||
debug_print("Keine Zeile ohne Zeitstempel in Spalte AO (ab Zeile 7) gefunden. Dispatcher beendet.")
|
||
return
|
||
|
||
# Bestimme 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, len(data))
|
||
else:
|
||
end_row_index_in_sheet = len(data)
|
||
|
||
debug_print(f"Dispatcher: Verarbeitung startet ab Zeile {start_row_index_in_sheet}, bis Zeile {end_row_index_in_sheet}.")
|
||
|
||
if start_row_index_in_sheet > end_row_index_in_sheet:
|
||
debug_print("Startzeile liegt nach Endzeile. Keine Verarbeitung.")
|
||
return
|
||
|
||
# Modus auswählen
|
||
if mode == "wiki":
|
||
process_verification_only(sheet_handler, row_limit) # Nutzt jetzt row_limit intern anders
|
||
elif mode == "website":
|
||
process_website_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet)
|
||
elif mode == "branch":
|
||
process_branch_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, row_limit)
|
||
debug_print("--- Start Combined Mode: Website ---")
|
||
# Website und Branch brauchen evtl. aktualisierte Daten nach Wiki -> neu laden? Oder mit alten Daten arbeiten?
|
||
# Annahme: Arbeite erstmal mit den Daten wie sie sind. Start/End Row bleiben gleich.
|
||
process_website_batch(sheet_handler, start_row_index_in_sheet, end_row_index_in_sheet)
|
||
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}' im Dispatcher.")
|
||
|
||
# ==================== 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) ====================
|
||
def alignment_demo(sheet):
|
||
"""Schreibt die Header-Struktur (Zeilen 1-5) ins angegebene Sheet."""
|
||
# Definition der Header wie im Original-Code
|
||
new_headers = [
|
||
["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"],
|
||
["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"],
|
||
["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"],
|
||
["Systemspalte, irrelevant für den Prompt. Wird zur manuellen Neuprüfung genutzt.", "Enthält den Firmennamen; Normalisierung erfolgt bei der Suche.", "Manuell gepflegte Kurzform, meist die ersten 2 Worte.", "Website des Unternehmens.", "Ort des Unternehmens.", "Kurze Beschreibung des Unternehmens.", "Aktuelle Branchenzuweisung gemäß Ziel-Branchenschema.", "Externe Branchenbeschreibung (z.B. von Dealfront).", "Recherchierte Anzahl Servicetechniker.", "Umsatz in Mio. € (CRM).", "Anzahl Mitarbeiter (CRM).", "Vorgeschlagene Wikipedia URL (Ausgangspunkt).", "Wikipedia URL (Ergebnis der Suche).", "Erster Absatz des Wikipedia-Artikels.", "Wikipedia-Branche – für den Branchenabgleich.", "Wikipedia-Umsatz – zur Validierung.", "Wikipedia-Mitarbeiterzahl – zur Validierung.", "Liste der Wikipedia-Kategorien.", "\"OK\" oder \"X\" – Ergebnis der Wikipedia-Validierung.", "Begründung bei Inkonsistenz (Wiki).", "Chat-Vorschlag Wiki Artikel: Falls kein passender Artikel gefunden, alternativ vorschlagen.", "Nicht genutzt, evtl. für zukünftige Funktionen.", "Branchenvorschlag via ChatGPT (alternativer Vorschlag).", "Vergleich: Übereinstimmung CRM vs. ChatGPT-Branche (OK/X).", "Begründung bei abweichender Branchenzuordnung.", "FSM-Relevanz: Bewertung, ob das Unternehmen für FSM geeignet ist (OK/X).", "Begründung zur FSM-Bewertung.", "Schätzung Anzahl Mitarbeiter via ChatGPT (nur falls Wiki-Daten fehlen).", "Vergleich CRM vs. Wiki vs. ChatGPT Mitarbeiterzahl (OK/X).", "Begründung bei Mitarbeiterabweichung (Prozentdifferenz).", "Schätzung Servicetechniker via ChatGPT (in Kategorien, z.B. <50, >100, >200, >500).", "Begründung bei Abweichung der Technikerzahl.", "Schätzung Umsatz via ChatGPT.", "Begründung bei Umsatzabweichung.", "Anzahl Kontakte (Serviceleiter) gefunden.", "Anzahl Kontakte (IT-Leiter) gefunden.", "Anzahl Kontakte (Management) gefunden.", "Anzahl Kontakte (Disponent) gefunden.", "Timestamp der Kontaktsuche.", "Timestamp der Wikipedia-Suche.", "Timestamp der ChatGPT-Bewertung.", "Ausgabe der Skriptversion, die das Ergebnis erzeugt hat.", "Token-Zählung (separat pro Modul).", "Roh extrahierter Text der Firmenwebsite (maximal 1000 Zeichen).", "Zusammenfassung des Webseiteninhalts, fokussiert auf Tätigkeitsfeld, Produkte & Leistungen."],
|
||
["Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Datenquelle", "Wird durch Wikipedia Scraper bereitgestellt", "Wird zunächst nicht verwendet, kann aber zum Vergleich mit der CRM-Beschreibung genutzt werden.", "Wird u.a. zur finalen Ermittlung der Branche im Ziel-Branchenschema genutzt und mit der CRM-Branche bzw. CRM-Beschreibung Branche Extern verglichen. Stimmen alle drei Einstufungen grob überein, bestärkt dies die ursprüngliche Einstufung. Laufen diese Branchen weit auseinander, soll – sofern der Wikipedia-Artikel verifiziert ist – die Branche von Wikipedia als zuverlässigste Quelle bewertet werden, danach folgen CRM-Beschreibung Branche Extern und CRM-Branche an dritter Stelle.", "Wird u.a. mit CRM-Umsatz zur Validierung des Unternehmens verglichen bzw. zur Bewertung der Größe / Einschätzung der Technikerzahl bzw. FSM-Relevanz genutzt.", "Wird u.a. mit CRM-Anzahl Mitarbeiter zur Validierung des Unternehmens verglichen bzw. zur Bewertung der Größe / Einschätzung der Technikerzahl bzw. FSM-Relevanz genutzt.", "Wenn Website-Daten fehlen, wird in diesem Feld keine zusätzliche Information einbezogen; ansonsten als zusätzlicher Kontext.", "\"Es soll durch ChatGPT geprüft werden, ob anhand der vorliegenden Daten bestätigt werden kann, dass der Wikipedia-Eintrag das Unternehmen sicher beschreibt. Dabei können alle Daten (Website, Umsatz, Mitarbeiterzahl etc.) berücksichtigt werden. Eine gewisse Toleranz (±30%) ist erlaubt. Insbesondere bei Konzernstrukturen muss großzügig bewertet werden. Abweichungen sollen in der Spalte 'Chat Begründung Wiki Inkonsistenz' begründet werden.\"", "\"Liegt eine Inkonsistenz zwischen dem gefundenen Wikipedia-Artikel und dem Unternehmen vor, so soll dies kurz begründet werden. Wurde der Artikel als unpassend identifiziert, soll ChatGPT einen alternativen Wikipedia-Artikel vorschlagen und diesen in 'Chat Vorschlag Wiki Artikel' ausgeben.\"", "\"Sollte durch die Wikipedia-Suche kein Artikel gefunden werden oder als unpassend bewertet werden, soll ChatGPT eigenständig nach einem passenden Artikel recherchieren. Der gefundene Artikel muss vom als unpassend bewerteten Artikel abweichen. Wird kein passender Artikel gefunden, soll 'kein Artikel verfügbar' ausgegeben werden.\"", "XXX derzeit nicht verwendet, wird vermutlich gelöscht xxx", "\"ChatGPT soll anhand der vorliegenden Informationen prüfen, welcher Branche des Ziel-Branchenschemas das Unternehmen am ehesten zugeordnet werden kann. Das Ziel-Branchenschema darf nicht verändert werden, sondern die Vorschläge müssen exakt diesem Schema entsprechen.\"", "Die in Spalte CRM festgelegte Branche soll mit der von ChatGPT ermittelten Branche in 'Chat Vorschlag Branche' verglichen werden.", "Weicht die von ChatGPT ermittelte Branche von der in CRM vorliegenden ab, so soll ChatGPT die Abweichung kurz begründen.", "ChatGPT soll anhand der vorliegenden Daten prüfen, ob das Unternehmen für den Einsatz einer Field Service Management Lösung geeignet ist.", "Die in 'Chat Begründung für FSM Relevanz' angegebene Begründung soll zur Bewertung der FSM-Eignung herangezogen werden.", "Nur wenn kein Wikipedia-Eintrag vorhanden ist, soll ChatGPT basierend auf öffentlich verfügbaren Informationen die Mitarbeiterzahl schätzen. Falls keine Schätzung möglich ist, wird 'keine Schätzung möglich' ausgegeben.", "Entspricht die durch ChatGPT ermittelte Mitarbeiterzahl ungefähr den in CRM und Wikipedia ermittelten Werten (±30%), wird 'OK' ausgegeben, andernfalls 'X' und eine Begründung in 'Chat Begründung Abweichung Mitarbeiterzahl'.", "Weicht die von ChatGPT geschätzte Mitarbeiterzahl signifikant von den CRM- oder Wikipedia-Werten ab, soll dies kurz begründet werden.", "ChatGPT soll auf Basis öffentlich zugänglicher Informationen eine Schätzung der Anzahl Servicetechniker abgeben (Kategorisierung: 0, <50, >100, >200, >500). Bei Abweichungen der Recherche-Werte soll 'X' ausgegeben werden, ansonsten 'OK'.", "Weicht die von ChatGPT geschätzte Technikerzahl von den CRM-Werten ab, soll dies begründet werden.", "Nur wenn kein Wikipedia-Eintrag vorhanden ist, soll ChatGPT den Umsatz anhand der Unternehmenswebsite oder anderer Daten schätzen. Bei fehlender Schätzung soll 'keine Schätzung möglich' ausgegeben werden.", "ChatGPT soll signifikante Umsatzabweichungen zwischen den Schätzungen von Chat, Wikipedia und CRM begründen. Stimmen die Werte (±30%) überein, wird 'OK' ausgegeben.", "Über SerpAPI wird zusammen mit der in 'CRM Kurzform' enthaltenen Information nach 'Serviceleiter' gesucht.", "Über SerpAPI wird zusammen mit 'CRM Kurzform' nach 'Leiter IT' gesucht.", "Über SerpAPI wird zusammen mit 'CRM Kurzform' nach 'Geschäftsführer' gesucht.", "Über SerpAPI wird zusammen mit 'CRM Kurzform' erneut nach 'Serviceleiter' gesucht.", "Wenn die Kontaktsuche gestartet wird, wird der erste Eintrag ohne Zeitstempel gesucht; Zeilen mit vorhandenem Zeitstempel werden übersprungen.", "Wenn die Wikipedia-Suche gestartet wird, wird der erste Eintrag ohne Zeitstempel gesucht; Zeilen mit vorhandenem Zeitstempel werden übersprungen.", "Wenn die ChatGPT-Bewertung gestartet wird, wird der erste Eintrag ohne Zeitstempel gesucht; Zeilen mit vorhandenem Zeitstempel werden übersprungen.", "Wird durch das System befüllt", "Wird durch tiktoken berechnet"]
|
||
]
|
||
# Bestimme den Bereich basierend auf der Anzahl der Spalten in der ersten Header-Zeile
|
||
num_cols = len(new_headers[0])
|
||
# Konvertiere Spaltenanzahl in Buchstaben (A=1, B=2, ..., Z=26, AA=27, ...)
|
||
def colnum_string(n):
|
||
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)
|
||
print(f"Alignment-Demo abgeschlossen: Header in Bereich {header_range} geschrieben.")
|
||
except Exception as e:
|
||
print(f"Fehler beim Schreiben der Alignment-Demo Header: {e}")
|
||
|
||
|
||
# ==================== DATA PROCESSOR ====================
|
||
class DataProcessor:
|
||
# Diese Klasse enthält jetzt hauptsächlich die Logik für die Verarbeitung einzelner Zeilen
|
||
# und spezifische Modi, die nicht als Batch laufen.
|
||
def __init__(self, sheet_handler):
|
||
self.sheet_handler = sheet_handler
|
||
self.wiki_scraper = WikipediaScraper() # Eigene Instanz des Scrapers
|
||
|
||
# @retry_on_failure # Vorsicht mit Retry auf dieser Ebene, kann lange dauern
|
||
def _process_single_row(self, row_num_in_sheet, row_data, process_wiki=True, process_chatgpt=True, process_website=True):
|
||
"""Verarbeitet die Daten für eine einzelne Zeile."""
|
||
debug_print(f"--- Starte Verarbeitung für Zeile {row_num_in_sheet} ---")
|
||
|
||
# Verwende COLUMN_MAP für sicherere Zugriffe
|
||
# Beispiel: company_name = row_data[COLUMN_MAP["CRM Name"]] if len(row_data) > COLUMN_MAP["CRM Name"] else ""
|
||
# Der Einfachheit halber bleiben wir vorerst bei Indizes, aber mit Bewusstsein für die Karte
|
||
company_name = row_data[1] if len(row_data) > 1 else ""
|
||
website_url = row_data[3] if len(row_data) > 3 else ""
|
||
crm_kurzform = row_data[2] if len(row_data) > 2 else company_name # Fallback für Kurzform
|
||
|
||
# --- 1. Website Handling (Lookup, Scrape, Summarize) ---
|
||
original_website = website_url
|
||
website_raw = "k.A."
|
||
website_summary = "k.A."
|
||
website_details = "k.A."
|
||
|
||
# Website Lookup, wenn leer
|
||
if process_website and (not website_url or website_url.strip().lower() == "k.a."):
|
||
debug_print(f"Zeile {row_num_in_sheet}: CRM Website fehlt, starte SERP Lookup für '{company_name}'...")
|
||
new_website = serp_website_lookup(company_name)
|
||
if new_website != "k.A.":
|
||
website_url = new_website
|
||
debug_print(f"Zeile {row_num_in_sheet}: SERP Lookup erfolgreich: {website_url}")
|
||
# Schreibe neue Website direkt zurück (optional, oder sammle für Batch Update)
|
||
# self.sheet_handler.sheet.update_cell(row_num_in_sheet, COLUMN_MAP["CRM Website"] + 1, website_url)
|
||
else:
|
||
debug_print(f"Zeile {row_num_in_sheet}: SERP Lookup erfolglos.")
|
||
|
||
# Website Scraping (Rohtext, Zusammenfassung, Details), wenn URL vorhanden
|
||
if process_website and website_url and website_url.strip().lower() != "k.a.":
|
||
debug_print(f"Zeile {row_num_in_sheet}: Starte Website Scraping für {website_url}...")
|
||
website_raw = get_website_raw(website_url)
|
||
website_summary = summarize_website_content(website_raw) # Benötigt OpenAI Key
|
||
# Website Details (optional, kann viele Tokens kosten)
|
||
# website_details = scrape_website_details(website_url)
|
||
# debug_print(f"Zeile {row_num_in_sheet}: Website Details: {website_details[:100]}...")
|
||
elif process_website:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Überspringe Website Scraping (keine gültige URL).")
|
||
|
||
|
||
# --- 2. Wikipedia Handling ---
|
||
wiki_data = { # Standardwerte
|
||
'url': 'k.A.', 'first_paragraph': 'k.A.', 'branche': 'k.A.',
|
||
'umsatz': 'k.A.', 'mitarbeiter': 'k.A.', 'categories': 'k.A.'
|
||
}
|
||
wiki_timestamp_needed = len(row_data) <= COLUMN_MAP["Wikipedia Timestamp"] or not row_data[COLUMN_MAP["Wikipedia Timestamp"]].strip()
|
||
|
||
if process_wiki and wiki_timestamp_needed:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Starte Wikipedia Verarbeitung...")
|
||
# Prüfe, ob CRM einen Vorschlag hat
|
||
crm_wiki_url = row_data[COLUMN_MAP["CRM Vorschlag Wiki URL"]] if len(row_data) > COLUMN_MAP["CRM Vorschlag Wiki URL"] and row_data[COLUMN_MAP["CRM Vorschlag Wiki URL"]].strip() not in ["", "k.A."] else None
|
||
|
||
article_page = None
|
||
if crm_wiki_url:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Prüfe CRM Wiki Vorschlag: {crm_wiki_url}")
|
||
page = self.wiki_scraper._fetch_page_content(crm_wiki_url.split('/')[-1])
|
||
if page and self.wiki_scraper._validate_article(page, company_name, website_url):
|
||
article_page = page
|
||
else:
|
||
debug_print(f"Zeile {row_num_in_sheet}: CRM Wiki Vorschlag nicht validiert. Starte Suche...")
|
||
article_page = self.wiki_scraper.search_company_article(company_name, website_url)
|
||
else:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Kein CRM Wiki Vorschlag. Starte Suche...")
|
||
article_page = self.wiki_scraper.search_company_article(company_name, website_url)
|
||
|
||
if article_page:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Extrahiere Daten aus Artikel: {article_page.url}")
|
||
wiki_data = self.wiki_scraper.extract_company_data(article_page.url)
|
||
else:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Kein passender Wikipedia Artikel gefunden.")
|
||
wiki_data['url'] = 'Kein Artikel gefunden' # Spezifische Kennung
|
||
elif process_wiki:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Überspringe Wikipedia Verarbeitung (Timestamp AN vorhanden).")
|
||
# Lade vorhandene Wiki-Daten aus der Zeile, um sie für ChatGPT verfügbar zu machen
|
||
wiki_data['url'] = row_data[COLUMN_MAP["Wiki URL"]] if len(row_data) > COLUMN_MAP["Wiki URL"] else 'k.A.'
|
||
wiki_data['first_paragraph'] = row_data[COLUMN_MAP["Wiki Absatz"]] if len(row_data) > COLUMN_MAP["Wiki Absatz"] else 'k.A.'
|
||
wiki_data['branche'] = row_data[COLUMN_MAP["Wiki Branche"]] if len(row_data) > COLUMN_MAP["Wiki Branche"] else 'k.A.'
|
||
wiki_data['umsatz'] = row_data[COLUMN_MAP["Wiki Umsatz"]] if len(row_data) > COLUMN_MAP["Wiki Umsatz"] else 'k.A.'
|
||
wiki_data['mitarbeiter'] = row_data[COLUMN_MAP["Wiki Mitarbeiter"]] if len(row_data) > COLUMN_MAP["Wiki Mitarbeiter"] else 'k.A.'
|
||
wiki_data['categories'] = row_data[COLUMN_MAP["Wiki Kategorien"]] if len(row_data) > COLUMN_MAP["Wiki Kategorien"] else 'k.A.'
|
||
|
||
|
||
# --- 3. ChatGPT Evaluationen ---
|
||
chat_results = {} # Sammle Ergebnisse der einzelnen ChatGPT Calls
|
||
chat_timestamp_needed = len(row_data) <= COLUMN_MAP["Timestamp letzte Prüfung"] or not row_data[COLUMN_MAP["Timestamp letzte Prüfung"]].strip()
|
||
|
||
if process_chatgpt and chat_timestamp_needed:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Starte ChatGPT Evaluationen...")
|
||
|
||
# 3.1 Branchenevaluierung (Wichtigste zuerst?)
|
||
crm_branche = row_data[COLUMN_MAP["CRM Branche"]] if len(row_data) > COLUMN_MAP["CRM Branche"] else ""
|
||
crm_beschreibung = row_data[COLUMN_MAP["CRM Beschreibung"]] if len(row_data) > COLUMN_MAP["CRM Beschreibung"] else ""
|
||
chat_results['branche'] = evaluate_branche_chatgpt(crm_branche, crm_beschreibung, wiki_data['branche'], wiki_data['categories'], website_summary)
|
||
|
||
# 3.2 Weitere Evaluationen (Beispiele, ggf. anpassen/implementieren)
|
||
# chat_results['wiki_verification'] = process_wiki_verification(row_data, wiki_data) # Siehe Batch-Mode
|
||
# chat_results['fsm'] = evaluate_fsm_suitability(company_name, wiki_data)
|
||
# chat_results['st_estimate'] = evaluate_servicetechnicians_estimate(company_name, wiki_data)
|
||
# crm_techniker = row_data[COLUMN_MAP["CRM Anzahl Techniker"]] if len(row_data) > COLUMN_MAP["CRM Anzahl Techniker"] else "k.A."
|
||
# internal_category = map_internal_technicians(crm_techniker)
|
||
# chat_results['st_explanation'] = evaluate_servicetechnicians_explanation(company_name, chat_results.get('st_estimate'), wiki_data) if internal_category != chat_results.get('st_estimate') else "ok"
|
||
# crm_mitarbeiter = row_data[COLUMN_MAP["CRM Anzahl Mitarbeiter"]] if len(row_data) > COLUMN_MAP["CRM Anzahl Mitarbeiter"] else "k.A."
|
||
# chat_results['emp_estimate'] = process_employee_estimation(company_name, wiki_data['first_paragraph'], crm_mitarbeiter)
|
||
# chat_results['emp_consistency'] = process_employee_consistency(crm_mitarbeiter, wiki_data['mitarbeiter'], chat_results.get('emp_estimate'))
|
||
# crm_umsatz = row_data[COLUMN_MAP["CRM Umsatz"]] if len(row_data) > COLUMN_MAP["CRM Umsatz"] else "k.A."
|
||
# chat_results['umsatz_estimate'] = evaluate_umsatz_chatgpt(company_name, wiki_data['umsatz'])
|
||
# TODO: Vergleich Umsatz / Begründung Abweichung
|
||
|
||
# 3.x Token Zählung (Beispielhaft, genauer pro Call)
|
||
# total_tokens = token_count(str(wiki_data)) + token_count(str(chat_results)) # Grobe Schätzung
|
||
# chat_results['tokens'] = total_tokens
|
||
|
||
elif process_chatgpt:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Überspringe ChatGPT Evaluationen (Timestamp AO vorhanden).")
|
||
|
||
# --- 4. Daten für Batch Update sammeln ---
|
||
updates = []
|
||
current_timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
|
||
|
||
# 4.1 Website-Daten
|
||
if process_website:
|
||
if website_url != original_website: # Nur wenn URL sich geändert hat (durch Lookup)
|
||
updates.append({'range': f'D{row_num_in_sheet}', 'values': [[website_url]]})
|
||
updates.append({'range': f'AR{row_num_in_sheet}', 'values': [[website_raw]]})
|
||
updates.append({'range': f'AS{row_num_in_sheet}', 'values': [[website_summary]]})
|
||
# Optional: Details schreiben
|
||
# updates.append({'range': f'??{row_num_in_sheet}', 'values': [[website_details]]}) # Braucht neue Spalte
|
||
|
||
# 4.2 Wikipedia-Daten (nur wenn neu verarbeitet)
|
||
if process_wiki and wiki_timestamp_needed:
|
||
updates.append({'range': f'M{row_num_in_sheet}', 'values': [[wiki_data.get('url', 'k.A.')]]})
|
||
updates.append({'range': f'N{row_num_in_sheet}', 'values': [[wiki_data.get('first_paragraph', 'k.A.')]]})
|
||
updates.append({'range': f'O{row_num_in_sheet}', 'values': [[wiki_data.get('branche', 'k.A.')]]})
|
||
updates.append({'range': f'P{row_num_in_sheet}', 'values': [[wiki_data.get('umsatz', 'k.A.')]]})
|
||
updates.append({'range': f'Q{row_num_in_sheet}', 'values': [[wiki_data.get('mitarbeiter', 'k.A.')]]})
|
||
updates.append({'range': f'R{row_num_in_sheet}', 'values': [[wiki_data.get('categories', 'k.A.')]]})
|
||
updates.append({'range': f'AN{row_num_in_sheet}', 'values': [[current_timestamp]]}) # Wiki Timestamp
|
||
|
||
# 4.3 ChatGPT-Daten (nur wenn neu verarbeitet)
|
||
if process_chatgpt and chat_timestamp_needed:
|
||
# Branche
|
||
updates.append({'range': f'W{row_num_in_sheet}', 'values': [[chat_results.get('branche', {}).get('branch', 'k.A.')]]})
|
||
updates.append({'range': f'X{row_num_in_sheet}', 'values': [[chat_results.get('branche', {}).get('consistency', 'k.A.')]]})
|
||
updates.append({'range': f'Y{row_num_in_sheet}', 'values': [[chat_results.get('branche', {}).get('justification', 'k.A.')]]})
|
||
# Weitere ChatGPT Ergebnisse hier einfügen...
|
||
# updates.append({'range': f'Z{row_num_in_sheet}', 'values': [[chat_results.get('fsm', {}).get('suitability', 'k.A.')]]})
|
||
# updates.append({'range': f'AA{row_num_in_sheet}', 'values': [[chat_results.get('fsm', {}).get('justification', 'k.A.')]]})
|
||
# ... etc. ...
|
||
# Tokens
|
||
# updates.append({'range': f'AQ{row_num_in_sheet}', 'values': [[str(chat_results.get('tokens', 0))]]})
|
||
# Timestamp für ChatGPT/Letzte Prüfung
|
||
updates.append({'range': f'AO{row_num_in_sheet}', 'values': [[current_timestamp]]})
|
||
|
||
# 4.4 Immer Update: Version
|
||
updates.append({'range': f'AP{row_num_in_sheet}', 'values': [[Config.VERSION]]})
|
||
|
||
|
||
# --- 5. Batch Update durchführen ---
|
||
if updates:
|
||
self.sheet_handler.batch_update_cells(updates)
|
||
debug_print(f"Zeile {row_num_in_sheet}: Batch-Update erfolgreich.")
|
||
else:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Keine Updates zum Schreiben.")
|
||
|
||
debug_print(f"--- Verarbeitung für Zeile {row_num_in_sheet} abgeschlossen ---")
|
||
# Kurze Pause nach jeder Zeile
|
||
time.sleep(max(0.5, Config.RETRY_DELAY / 2)) # Kürzere Pause bei Einzelverarbeitung
|
||
|
||
|
||
def process_rows_sequentially(self, start_row_index, num_rows_to_process, process_wiki=True, process_chatgpt=True, process_website=True):
|
||
""" Verarbeitet Zeilen sequentiell ab einem Startindex. """
|
||
data_rows = self.sheet_handler.get_data() # Daten ohne Header
|
||
header_rows = 5
|
||
|
||
end_row_index = min(start_row_index + num_rows_to_process, len(data_rows))
|
||
|
||
if start_row_index >= len(data_rows):
|
||
debug_print("Startindex liegt hinter der letzten Datenzeile. Keine Verarbeitung.")
|
||
return
|
||
|
||
debug_print(f"Verarbeite {end_row_index - start_row_index} Zeilen sequentiell (Index {start_row_index} bis {end_row_index - 1})...")
|
||
|
||
for i in range(start_row_index, end_row_index):
|
||
row_data = data_rows[i]
|
||
row_num_in_sheet = i + header_rows + 1 # 1-basierter Sheet-Index
|
||
|
||
# Überspringe Zeilen vor Zeile 7 generell? Nein, start_row_index sollte das regeln.
|
||
# if row_num_in_sheet < 7: continue
|
||
|
||
self._process_single_row(row_num_in_sheet, row_data, process_wiki, process_chatgpt, process_website)
|
||
|
||
|
||
def process_reevaluation_rows(self):
|
||
""" Verarbeitet nur Zeilen, die in Spalte A mit 'x' markiert sind. """
|
||
debug_print("Starte Re-Evaluierungsmodus (Spalte A = 'x')...")
|
||
data_rows = self.sheet_handler.get_data()
|
||
header_rows = 5
|
||
rows_processed = 0
|
||
for i, row in enumerate(data_rows):
|
||
row_num_in_sheet = i + header_rows + 1
|
||
# Prüfe Flag in Spalte A (Index 0)
|
||
if len(row) > COLUMN_MAP["ReEval Flag"] and row[COLUMN_MAP["ReEval Flag"]].strip().lower() == "x":
|
||
debug_print(f"Re-Evaluiere Zeile {row_num_in_sheet}...")
|
||
# Führe volle Verarbeitung für diese Zeile durch
|
||
self._process_single_row(row_num_in_sheet, row, process_wiki=True, process_chatgpt=True, process_website=True)
|
||
rows_processed += 1
|
||
# Optional: Flag nach Verarbeitung löschen?
|
||
# self.sheet_handler.sheet.update_cell(row_num_in_sheet, COLUMN_MAP["ReEval Flag"] + 1, "")
|
||
debug_print(f"Re-Evaluierung abgeschlossen. {rows_processed} Zeilen verarbeitet.")
|
||
|
||
|
||
def process_website_details_for_marked_rows(self):
|
||
""" Neuer Modus 23: Extrahiert Website-Details für markierte Zeilen. """
|
||
debug_print("Starte Modus 23: Website Detail Extraction für Zeilen mit 'x' in Spalte A.")
|
||
data_rows = self.sheet_handler.get_data()
|
||
header_rows = 5
|
||
rows_processed = 0
|
||
|
||
for i, row in enumerate(data_rows):
|
||
row_num_in_sheet = i + header_rows + 1
|
||
# Prüfe Flag in Spalte A (Index 0)
|
||
if len(row) > COLUMN_MAP["ReEval Flag"] and row[COLUMN_MAP["ReEval Flag"]].strip().lower() == "x":
|
||
website_url = row[COLUMN_MAP["CRM Website"]] if len(row) > COLUMN_MAP["CRM Website"] else ""
|
||
if not website_url or website_url.strip().lower() == "k.a.":
|
||
debug_print(f"Zeile {row_num_in_sheet}: Keine gültige Website in Spalte D vorhanden, überspringe.")
|
||
continue
|
||
|
||
debug_print(f"Zeile {row_num_in_sheet}: Extrahiere Website Details von {website_url}...")
|
||
details = scrape_website_details(website_url)
|
||
|
||
# Speichere das Detail-Ergebnis in Spalte AR (Index 43)
|
||
update_data = [{'range': f'AR{row_num_in_sheet}', 'values': [[details]]}]
|
||
self.sheet_handler.batch_update_cells(update_data)
|
||
debug_print(f"Zeile {row_num_in_sheet}: Website Detail Extraction abgeschlossen, Ergebnis in Spalte AR geschrieben.")
|
||
rows_processed += 1
|
||
time.sleep(Config.RETRY_DELAY)
|
||
|
||
debug_print(f"Modus 23 abgeschlossen. {rows_processed} Zeilen verarbeitet.")
|
||
|
||
|
||
def process_serp_website_lookup_for_empty(self):
|
||
""" Neuer Modus 22: Füllt fehlende Websites via SERP API. """
|
||
debug_print("Starte Modus 22: SERP API Website Lookup für leere Zellen in Spalte D.")
|
||
data_rows = self.sheet_handler.get_data()
|
||
header_rows = 5
|
||
rows_processed = 0
|
||
|
||
for i, row in enumerate(data_rows):
|
||
row_num_in_sheet = i + header_rows + 1
|
||
current_website = row[COLUMN_MAP["CRM Website"]] if len(row) > COLUMN_MAP["CRM Website"] else ""
|
||
|
||
if not current_website or current_website.strip().lower() == "k.a.":
|
||
company_name = row[COLUMN_MAP["CRM Name"]] if len(row) > COLUMN_MAP["CRM Name"] else ""
|
||
if not company_name:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Übersprungen (kein Firmenname für Lookup).")
|
||
continue
|
||
|
||
debug_print(f"Zeile {row_num_in_sheet}: Suche Website für '{company_name}'...")
|
||
new_website = serp_website_lookup(company_name)
|
||
if new_website != "k.A.":
|
||
update_data = [{'range': f'D{row_num_in_sheet}', 'values': [[new_website]]}]
|
||
self.sheet_handler.batch_update_cells(update_data)
|
||
debug_print(f"Zeile {row_num_in_sheet}: Neue Website '{new_website}' gefunden und in Spalte D eingetragen.")
|
||
rows_processed += 1
|
||
else:
|
||
debug_print(f"Zeile {row_num_in_sheet}: Keine Website gefunden.")
|
||
|
||
time.sleep(Config.RETRY_DELAY) # Pause nach jedem Lookup
|
||
|
||
debug_print(f"Modus 22 abgeschlossen. {rows_processed} Websites ergänzt.")
|
||
|
||
|
||
# ==================== MAIN FUNCTION ====================
|
||
def main():
|
||
global MODE, LOG_FILE # MODE wird nicht mehr global benötigt, aber LOG_FILE schon
|
||
|
||
# --- Initialisierung ---
|
||
# Argument Parser
|
||
parser = argparse.ArgumentParser(description="Firmen-Datenanreicherungs-Skript")
|
||
parser.add_argument("--mode", type=str, help="Betriebsmodus (z.B. combined, wiki, website, branch, reeval, website_lookup, website_details, contacts, full_run)")
|
||
parser.add_argument("--limit", type=int, help="Maximale Anzahl zu verarbeitender Zeilen (für Batch/sequentielle Modi)", default=None)
|
||
args = parser.parse_args()
|
||
|
||
# Lade API Keys
|
||
Config.load_api_keys()
|
||
|
||
# Betriebsmodus ermitteln
|
||
valid_modes = ["combined", "wiki", "website", "branch", "reeval", "website_lookup", "website_details", "contacts", "full_run"]
|
||
mode = None
|
||
if args.mode and args.mode.lower() in valid_modes:
|
||
mode = args.mode.lower()
|
||
print(f"Betriebsmodus (aus Kommandozeile): {mode}")
|
||
else:
|
||
print("Bitte wählen Sie den Betriebsmodus:")
|
||
print(" combined: Wiki-Verifizierung, Website-Scraping & Branch-Einschätzung (Batch, ab erster leerer Zeile)")
|
||
print(" wiki: Nur Wikipedia-Verifizierung (Batch, ab erster leerer Zeile)")
|
||
print(" website: Nur Website-Scraping & Zusammenfassung (Batch, ab erster leerer Zeile)")
|
||
print(" branch: Nur Branchen-Einschätzung (Batch, ab erster leerer Zeile)")
|
||
print(" reeval: Verarbeitet alle Zeilen mit 'x' in Spalte A (volle Verarbeitung)")
|
||
print(" website_lookup: Sucht fehlende Websites (Spalte D) via SERP API")
|
||
print(" website_details:Extrahiert Title/Desc/H-Tags für Zeilen mit 'x' in Spalte A")
|
||
print(" contacts: Sucht LinkedIn Kontakte via SERP API und schreibt in 'Contacts' Blatt")
|
||
print(" full_run: Verarbeitet alle Zeilen sequentiell ab der ersten ohne Zeitstempel (AO)")
|
||
# print(" 8: Batch Token-Zählung (Platzhalter)") # Modus 8 entfernt/umbenannt?
|
||
mode_input = input(f"Geben Sie den Modus ein ({', '.join(valid_modes)}): ").strip().lower()
|
||
if mode_input in valid_modes:
|
||
mode = mode_input
|
||
else:
|
||
print("Ungültige Eingabe. Standardmodus 'combined' wird verwendet.")
|
||
mode = "combined" # Standardmodus
|
||
|
||
# Zeilenlimit ermitteln
|
||
row_limit = args.limit
|
||
if row_limit is None and mode in ["combined", "wiki", "website", "branch", "full_run"]:
|
||
try:
|
||
limit_input = input("Wie viele Zeilen sollen maximal bearbeitet werden? (Enter für alle) ")
|
||
if limit_input.strip():
|
||
row_limit = int(limit_input)
|
||
print(f"Zeilenlimit: {row_limit}")
|
||
else:
|
||
row_limit = None # Alle verarbeiten
|
||
print("Kein Zeilenlimit gesetzt.")
|
||
except ValueError:
|
||
print("Ungültige Eingabe für Zeilenlimit. Es werden alle Zeilen verarbeitet.")
|
||
row_limit = None
|
||
elif row_limit is not None:
|
||
print(f"Zeilenlimit (aus Kommandozeile): {row_limit}")
|
||
|
||
|
||
# Logfile initialisieren
|
||
LOG_FILE = create_log_filename(mode)
|
||
debug_print(f"===== Skript gestartet =====")
|
||
debug_print(f"Version: {Config.VERSION}")
|
||
debug_print(f"Betriebsmodus: {mode}")
|
||
debug_print(f"Zeilenlimit: {row_limit if row_limit is not None else 'Unbegrenzt'}")
|
||
debug_print(f"Logdatei: {LOG_FILE}")
|
||
|
||
# --- Vorbereitung ---
|
||
# Lade Branchenschema
|
||
load_target_schema()
|
||
|
||
# Initialisiere Google Sheet Handler
|
||
try:
|
||
sheet_handler = GoogleSheetHandler()
|
||
except Exception as e:
|
||
debug_print(f"FATAL: Konnte Google Sheet Handler nicht initialisieren: {e}")
|
||
return # Abbruch
|
||
|
||
# Initialisiere DataProcessor
|
||
data_processor = DataProcessor(sheet_handler)
|
||
|
||
# Optional: Alignment Demo für Hauptblatt ausführen?
|
||
# run_alignment = input("Sollen die Header im Hauptblatt aktualisiert werden (Alignment Demo)? (j/N): ").lower()
|
||
# if run_alignment == 'j':
|
||
# alignment_demo(sheet_handler.sheet)
|
||
|
||
# --- Modusausführung ---
|
||
start_time = time.time()
|
||
debug_print(f"Starte Verarbeitung um {datetime.now().strftime('%H:%M:%S')}...")
|
||
|
||
try:
|
||
if mode in ["wiki", "website", "branch", "combined"]:
|
||
run_dispatcher(mode, sheet_handler, row_limit)
|
||
elif mode == "reeval":
|
||
data_processor.process_reevaluation_rows()
|
||
elif mode == "website_lookup":
|
||
data_processor.process_serp_website_lookup_for_empty()
|
||
elif mode == "website_details":
|
||
data_processor.process_website_details_for_marked_rows()
|
||
elif mode == "contacts":
|
||
process_contact_research(sheet_handler) # Übergib den Handler
|
||
elif mode == "full_run":
|
||
start_index = sheet_handler.get_start_row_index() # Index in Datenliste
|
||
num_to_process = row_limit if row_limit is not None else len(sheet_handler.get_data()) - start_index
|
||
if num_to_process > 0:
|
||
data_processor.process_rows_sequentially(start_index, num_to_process, process_wiki=True, process_chatgpt=True, process_website=True)
|
||
else:
|
||
debug_print("Keine Zeilen für 'full_run' zu verarbeiten.")
|
||
# elif mode == "8": # Token Count - was soll hier passieren?
|
||
# debug_print("Modus 8 (Token Count) ist derzeit nicht implementiert.")
|
||
else:
|
||
debug_print(f"Unbekannter Modus '{mode}' - keine Aktion ausgeführt.")
|
||
|
||
except Exception as e:
|
||
debug_print(f"FATAL: Unerwarteter Fehler auf oberster Ebene: {e}")
|
||
import traceback
|
||
debug_print(traceback.format_exc()) # Detaillierten Stacktrace loggen
|
||
|
||
# --- Abschluss ---
|
||
end_time = time.time()
|
||
duration = end_time - start_time
|
||
debug_print(f"Verarbeitung abgeschlossen um {datetime.now().strftime('%H:%M:%S')}.")
|
||
debug_print(f"Gesamtdauer: {duration:.2f} Sekunden.")
|
||
debug_print(f"===== Skript beendet =====")
|
||
print(f"Verarbeitung abgeschlossen. Logfile: {LOG_FILE}")
|
||
|
||
|
||
if __name__ == '__main__':
|
||
main() |