211 lines
8.3 KiB
Python
211 lines
8.3 KiB
Python
import cloudscraper
|
|
import json
|
|
import os
|
|
import sqlite3
|
|
import subprocess
|
|
import difflib
|
|
import sys
|
|
from bs4 import BeautifulSoup
|
|
from urllib.parse import urljoin
|
|
from datetime import datetime
|
|
from dotenv import load_dotenv
|
|
|
|
# --- DATENBANK SETUP ---
|
|
# Verbindung zur lokalen SQLite-Datenbank herstellen (mit Timeout gegen Sperren)
|
|
conn = sqlite3.connect("polit_scraper.db", timeout=20)
|
|
cursor = conn.cursor()
|
|
|
|
# Tabelle für den Stand der Hauptseiten
|
|
cursor.execute("""
|
|
CREATE TABLE IF NOT EXISTS seiten_stand (
|
|
url TEXT PRIMARY KEY,
|
|
inhalt TEXT,
|
|
zeit TEXT
|
|
)
|
|
""")
|
|
|
|
# Tabelle für bereits verarbeitete Unterartikel
|
|
cursor.execute("""
|
|
CREATE TABLE IF NOT EXISTS artikel (
|
|
artikel_url TEXT PRIMARY KEY,
|
|
status TEXT
|
|
)
|
|
""")
|
|
conn.commit()
|
|
|
|
# --- KONFIGURATION LADEN ---
|
|
load_dotenv()
|
|
ADMIN_USER = os.getenv("ADMIN_USER")
|
|
ADMIN_PW = os.getenv("ADMIN_PW")
|
|
NTFY_BASE = os.getenv("NTFY_BASE")
|
|
GEMINI_SESSION = "1"
|
|
|
|
TOPIC_PUBLIC = "polit-scraper-public"
|
|
TOPIC_ADMIN = "polit-scraper-admin"
|
|
|
|
sys.stdout.reconfigure(encoding="utf-8")
|
|
|
|
scraper = cloudscraper.create_scraper(
|
|
browser={"browser": "chrome", "platform": "windows", "desktop": True}
|
|
)
|
|
|
|
def analysiere_mit_gemini(text, link):
|
|
"""KI-Analyse: Sendet Text und den EINEN passenden Link an Gemini (Isoliert)."""
|
|
anweisung = f"WICHTIG: Analysiere NUR den folgenden Text. Nutze für das Feld 'direct_link' exakt diese URL: {link}\n\nTEXT:\n{text}"
|
|
befehl = ["gemini", "-m", "gemini-2.5-flash", "-r", GEMINI_SESSION, "-p", anweisung]
|
|
|
|
try:
|
|
prozess = subprocess.run(befehl, capture_output=True, text=True, encoding="utf-8")
|
|
antwort_roh = prozess.stdout.strip()
|
|
start = antwort_roh.find("{")
|
|
ende = antwort_roh.rfind("}") + 1
|
|
if start != -1 and ende != -1:
|
|
return json.loads(antwort_roh[start:ende])
|
|
return {"relevant": False}
|
|
except Exception as e:
|
|
print(f" [!] KI-Fehler: {e}")
|
|
return {"relevant": False}
|
|
|
|
def sende_public(titel, nachricht, klick_url, category="info", priority=3):
|
|
"""Sendet Push-Nachricht an ntfy (Public)."""
|
|
if not NTFY_BASE: return
|
|
url = f"{NTFY_BASE}/{TOPIC_PUBLIC}"
|
|
emoji_mapping = {
|
|
"demo": "rotating_light,loudspeaker",
|
|
"socialmedia": "detective,no_entry",
|
|
"polizei": "police_car,warning",
|
|
"stadt": "cityscape,newspaper",
|
|
"solidaritaet": "fist,heart",
|
|
"info": "newspaper"
|
|
}
|
|
tags = emoji_mapping.get(category.lower(), "newspaper")
|
|
headers = {"Title": titel.encode("utf-8"), "Tags": tags, "Click": klick_url, "Priority": str(priority)}
|
|
try:
|
|
import requests
|
|
requests.post(url, data=nachricht.encode("utf-8"), headers=headers, auth=(ADMIN_USER, ADMIN_PW), timeout=5)
|
|
except Exception as e:
|
|
print(f" [!] Fehler Public-Versand: {e}")
|
|
|
|
def sende_admin(titel, nachricht):
|
|
"""Sendet Fehlermeldung an ntfy (Admin)."""
|
|
if not NTFY_BASE: return
|
|
url = f"{NTFY_BASE}/{TOPIC_ADMIN}"
|
|
headers = {"Title": titel.encode("utf-8"), "Tags": "warning,skull", "Priority": "4"}
|
|
try:
|
|
import requests
|
|
requests.post(url, data=nachricht.encode("utf-8"), headers=headers, auth=(ADMIN_USER, ADMIN_PW), timeout=5)
|
|
except Exception as e:
|
|
print(f" [!] Fehler Admin-Versand: {e}")
|
|
|
|
def extrahiere_links(soup, basis_url):
|
|
"""Extrahiert alle absoluten Links aus einem HTML-Objekt."""
|
|
links = []
|
|
for a in soup.find_all("a", href=True):
|
|
links.append(urljoin(basis_url, a["href"]))
|
|
return list(set(links))
|
|
|
|
def hole_artikel_text(url):
|
|
"""Lädt Unterseite und extrahiert Hauptinhalt."""
|
|
try:
|
|
antwort = scraper.get(url, timeout=10)
|
|
unter_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)
|
|
except Exception as e:
|
|
return f"Fehler beim Laden des Artikels!: {e}"
|
|
|
|
def finde_link_fuer_text(text_snippet, soup, basis_url):
|
|
"""Sucht im HTML nach einem Link in der Nähe des Textes."""
|
|
for element in soup.find_all(string=True):
|
|
if text_snippet in element:
|
|
parent = element.find_parent("a")
|
|
if parent and parent.has_attr("href"):
|
|
return urljoin(basis_url, parent["href"])
|
|
container = element.find_parent(["div", "li", "article", "section"])
|
|
if container:
|
|
link = container.find("a", href=True)
|
|
if link: return urljoin(basis_url, link["href"])
|
|
return None
|
|
|
|
def verarbeite_website(url):
|
|
"""Hauptlogik für eine Webseite unter Nutzung von SQL-Speicherung."""
|
|
try:
|
|
antwort = scraper.get(url, timeout=15)
|
|
antwort.encoding = "utf-8"
|
|
if antwort.status_code != 200:
|
|
sende_admin("Fehler bei Webseite", f"{url} lieferte Status {antwort.status_code}.")
|
|
return
|
|
|
|
soup = BeautifulSoup(antwort.text, "html.parser")
|
|
hauptbereich = soup.find("main") or soup.find("article") or soup.body or soup
|
|
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)
|
|
|
|
# 3. Filtere neue Links (Eindeutigkeit garantieren)
|
|
neue_artikel_links = []
|
|
for l in aktuelle_links:
|
|
cursor.execute("SELECT 1 FROM artikel WHERE artikel_url = ?", (l,))
|
|
if cursor.fetchone() is None and l not in neue_artikel_links:
|
|
neue_artikel_links.append(l)
|
|
|
|
if neue_artikel_links or (alter_text != neuer_text):
|
|
print(f" [NEU] Aktivität auf {url} erkannt.")
|
|
|
|
# FALL A: Neue Deep-Links vorhanden
|
|
for link in neue_artikel_links[:3]:
|
|
print(f" [..] Bearbeite Deep-Link: {link}")
|
|
artikel_inhalt = hole_artikel_text(link)
|
|
analyse = analysiere_mit_gemini(artikel_inhalt, link)
|
|
|
|
if analyse.get("relevant"):
|
|
final_url = analyse.get("direct_link", link)
|
|
if not final_url or "http" not in final_url: final_url = link
|
|
sende_public(analyse.get("titel"), analyse.get("nachricht"), final_url, analyse.get("category"), analyse.get("priority"))
|
|
|
|
cursor.execute("INSERT OR IGNORE INTO artikel (artikel_url, status) VALUES (?, ?)", (link, "erledigt"))
|
|
conn.commit()
|
|
|
|
# FALL B: Nur Textänderung auf Hauptseite (Filter gegen Duplikate)
|
|
if not neue_artikel_links and (alter_text != neuer_text):
|
|
alt_z = alter_text.splitlines()
|
|
neu_z = neuer_text.splitlines()
|
|
diff = [z[2:] for z in difflib.ndiff(alt_z, neu_z) if z.startswith("+ ")]
|
|
|
|
for line in diff:
|
|
if len(line.strip()) < 20: continue
|
|
passender_link = finde_link_fuer_text(line[:30], hauptbereich, 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:
|
|
analyse = analysiere_mit_gemini(line, target_url)
|
|
if analyse.get("relevant"):
|
|
sende_public(analyse.get("titel"), analyse.get("nachricht"), target_url, analyse.get("category"), analyse.get("priority"))
|
|
cursor.execute("INSERT OR IGNORE INTO artikel (artikel_url, status) VALUES (?, ?)", (target_url, "erledigt"))
|
|
conn.commit()
|
|
|
|
cursor.execute("INSERT OR REPLACE INTO seiten_stand (url, inhalt, zeit) VALUES (?, ?, ?)", (url, neuer_text, str(datetime.now())))
|
|
conn.commit()
|
|
else:
|
|
print(f" [OK] Keine Änderungen auf {url}.")
|
|
|
|
except Exception as e:
|
|
print(f" ❌ Fehler bei {url}: {e}")
|
|
sende_admin("Programmfehler", f"{url}: {e}")
|
|
|
|
# --- HAUPTPROGRAMM ---
|
|
with open("./urls.txt", "r", encoding="utf-8") as datei:
|
|
for zeile in datei:
|
|
adresse = zeile.strip()
|
|
if not adresse or adresse.startswith("#"): continue
|
|
print(f"Ich prüfe: {adresse}")
|
|
verarbeite_website(adresse)
|
|
|
|
conn.close()
|
|
print("\nFertig. Gute Nacht!")
|