string an ki effektiver/kleiner gemacht

crawler.py

@@ -57,7 +57,27 @@ def setup_db():
     conn.commit()
     conn.close()
 
+def ist_sinnvoller_text(text):
+    # Ignoriere Texte, die sehr kurz sind (wahrscheinlich Navigations-Links)
+    if len(text.strip()) < 300:
+        return False
+    
+    # Prüfe auf zu viele generische Wörter, die auf Navigations-Seiten hindeuten
+    nav_keywords = ["startseite", "lokales", "aktuelles", "veranstaltungen", "kontakt", "impressum", "baustelle", "meldungen"]
+    text_lower = text.lower()
+    
+    match_count = sum(text_lower.count(k) for k in nav_keywords)
+    # Wenn mehr als 5 Navigations-Begriffe vorkommen, ist es vermutlich eine Nav-Seite
+    if match_count > 5:
+        return False
+        
+    return True
+
 def queue_article(url, text, source_url):
+    if not ist_sinnvoller_text(text):
+        logger.debug(f"Überspringe Müll-Text: {url}")
+        return
+
     conn = sqlite3.connect(DB_PATH, timeout=20)
     cursor = conn.cursor()
     cursor.execute("SELECT 1 FROM artikel WHERE artikel_url = ?", (url,))
@@ -91,12 +111,23 @@ def extrahiere_links(soup, basis_url):
 def hole_artikel_text(url):
     try:
         antwort = scraper.get(url, timeout=10)
-        unter_soup = BeautifulSoup(antwort.text, "html.parser")
+        soup = BeautifulSoup(antwort.text, "html.parser")
-        bereich = unter_soup.find("main") or unter_soup.find("article") or unter_soup.body
+        
-        return bereich.get_text(separator=" ", strip=True)
+        # Müll entfernen
+        for element in soup(["header", "footer", "nav", "script", "style", "aside"]):
+            element.decompose()
+            
+        # Gezielter suchen
+        bereich = soup.find("main") or soup.find("article") or soup.find("div", class_="content")
+        
+        if not bereich:
+            return None
+            
+        text = bereich.get_text(separator=" ", strip=True)
+        return text[:12000]
     except Exception as e:
         logger.error(f"Fehler bei {url}: {e}")
-        return f"Fehler: {e}"
+        return None
 
 def finde_link_fuer_text(text_snippet, soup, basis_url):
     schnipsel = text_snippet.strip().lower()
@@ -115,29 +146,41 @@ def verarbeite_website(url):
         antwort = scraper.get(url, timeout=15)
         if antwort.status_code != 200: return
         soup = BeautifulSoup(antwort.text, "html.parser")
-        hauptbereich = soup.find("main") or soup.find("article") or soup.body or soup
+        
+        # Müll entfernen
+        for element in soup(["header", "footer", "nav", "script", "style", "aside"]):
+            element.decompose()
+            
+        # Gezielter suchen
+        hauptbereich = soup.find("main") or soup.find("article") or soup.find("div", class_="content")
+        if not hauptbereich:
+            logger.debug(f"Überspringe Seite ohne Inhalts-Struktur: {url}")
+            return
+            
         neuer_text = hauptbereich.get_text(separator=" ", strip=True)
         cursor.execute("SELECT inhalt FROM seiten_stand WHERE url = ?", (url,))
         zeile = cursor.fetchone()
         alter_text = zeile[0] if zeile else ""
         
-        aktuelle_links = extrahiere_links(hauptbereich, url)
+        aktuelle_links = extrahiere_links(soup, url)
         for link in aktuelle_links:
             cursor.execute("SELECT 1 FROM artikel WHERE artikel_url = ?", (link,))
             if cursor.fetchone() is None:
                 logger.info(f"Neu: {link}")
                 artikel_inhalt = hole_artikel_text(link)
+                if artikel_inhalt:
                     queue_article(link, artikel_inhalt, url)
         
         if alter_text != neuer_text:
             diff = [z[2:] for z in difflib.ndiff(alter_text.splitlines(), neuer_text.splitlines()) if z.startswith("+ ") and len(z[2:].strip()) > 30]
             for line in diff:
-                passender_link = finde_link_fuer_text(line[:40], hauptbereich, url)
+                passender_link = finde_link_fuer_text(line[:40], soup, url)
                 target_url = passender_link if passender_link else url
                 cursor.execute("SELECT 1 FROM artikel WHERE artikel_url = ?", (target_url,))
                 if cursor.fetchone() is None:
                     logger.info(f"Änderung: {target_url}")
                     text_zu_analysieren = hole_artikel_text(passender_link) if passender_link else line
+                    if text_zu_analysieren:
                         queue_article(target_url, text_zu_analysieren, url)
         
         cursor.execute("INSERT OR REPLACE INTO seiten_stand (url, inhalt, zeit) VALUES (?, ?, ?)", (url, neuer_text, str(datetime.now())))