Podcast-Integration Phase 1: Feed-Tag + Senderseiten

Podcasts werden wie normale RSS-Quellen behandelt (source_type=podcast_feed).
Kein externer bezahlter Dienst, keine lokale Transkription — Monitor nutzt
ausschliesslich vorhandene Transkripte.

Kaskade fuer Transkript-Bezug:
 1. Podcasting-2.0-Tag <podcast:transcript> im Feed (SRT/VTT/HTML/JSON)
 2. Redaktionelles Manuskript auf der Episodenseite
    (Adapter: Dlf, SZ, Spiegel, NDR)
 3. YouTube-Captions — Phase 2, optional per yt-dlp

Kein Stufen-Treffer -> Episode verworfen (graceful, kein Error).

Neu:
- src/feeds/podcast_parser.py (eigener Parser, RSS-Heisspfad unveraendert)
- src/feeds/transcript_extractors/ (Plugin-Muster):
    __init__.py        Dispatcher, Cache-Lookup gegen podcast_transcripts
    _common.py         HTML-Extraktion, Domain-Matching, httpx-Helper
    rss_native.py      Stufe 1: Feed-Tag-Parser (SRT/VTT/JSON/HTML)
    website_dlf.py     Stufe 2: deutschlandfunk.de + Schwester-Domains
    website_sz.py      Stufe 2: sz.de / sueddeutsche.de
    website_spiegel.py Stufe 2: spiegel.de / manager-magazin.de
    website_ndr.py     Stufe 2: ndr.de

Geaendert:
- src/database.py: idempotente Migration, Tabelle podcast_transcripts als
  URL-Cache gegen Mehrfach-Scrape zwischen Lagen
- src/models.py: Pydantic-Pattern von source_type um podcast_feed erweitert
- src/source_rules.py: get_feeds_with_metadata() nimmt source_type-Parameter,
  Default rss_feed (RSS-Pfad unveraendert)
- src/agents/orchestrator.py: neue _podcast_pipeline() parallel zu RSS,
  WebSearch und Telegram; nur fuer adhoc-Lagen; ohne Podcast-Quellen dormant

Verifikation:
- Migration auf Live-DB erfolgreich (Log: Tabelle podcast_transcripts angelegt)
- Import-/Instanziierungs-Test aller Module bestanden
- can_handle-Tests pro Sender-Adapter positiv + negativ OK
- Live-Scrape gegen Dlf: 22710 Zeichen, gegen SZ: 24918 Zeichen
- Dormant-Test: 0 Podcast-Quellen -> keine neue Codezeile im Refresh

Verwerfbarkeit: rein additiv, RSS-Pfad unberuehrt, Rollback in drei
Schritten (Quellen disablen, git revert, DROP TABLE podcast_transcripts).
Dieser Commit ist enthalten in:
claude-dev
2026-04-18 12:06:54 +00:00
Ursprung d6c541cb95
Commit 5127e0a42d
12 geänderte Dateien mit 951 neuen und 11 gelöschten Zeilen

184
src/feeds/podcast_parser.py Normale Datei
Datei anzeigen

@@ -0,0 +1,184 @@
"""Podcast-Feed-Parser: wie RSSParser, nur mit Transkript-Kaskade.
Aufbau bewusst copy-light zu rss_parser.py: dieselbe oeffentliche
Signatur `search_feeds_selective()`, eigener Code-Pfad mit Pre-Filter und
anschliessender Transkript-Kaskade via `transcript_extractors`.
Vorgaben des Plans:
- Keine kostenpflichtige API, keine lokale Transkription
- Episoden ohne auffindbares Transkript werden verworfen
- content_original wird NICHT auf 1000 Zeichen gekuerzt (Transkript-Volltext)
- Duplikate-Schutz zwischen Lagen ueber Cache-Tabelle podcast_transcripts
"""
from __future__ import annotations
import asyncio
import logging
from datetime import datetime, timezone
import feedparser
import httpx
from config import TIMEZONE, MAX_ARTICLES_PER_DOMAIN_RSS
from source_rules import _extract_domain
from feeds.transcript_extractors import fetch_transcript
logger = logging.getLogger("osint.podcast")
class PodcastFeedParser:
"""Durchsucht Podcast-Feeds nach relevanten Episoden (mit Transkript)."""
STOP_WORDS = {
"und", "oder", "der", "die", "das", "ein", "eine", "in", "im", "am", "an",
"auf", "für", "mit", "von", "zu", "zum", "zur", "bei", "nach", "vor",
"über", "unter", "ist", "sind", "hat", "the", "and", "for", "with", "from",
}
# Pre-Filter: wie im RSSParser — mindestens Haelfte der Keywords, max 2 notwendig
@staticmethod
def _prefilter_match(title: str, summary: str, keywords: list[str]) -> tuple[bool, float]:
text = f"{title} {summary}".lower()
if not keywords:
return True, 0.0
min_matches = min(2, max(1, (len(keywords) + 1) // 2))
match_count = sum(1 for kw in keywords if kw and kw in text)
if match_count >= min_matches:
return True, match_count / len(keywords)
return False, 0.0
async def search_feeds_selective(
self,
search_term: str,
selected_feeds: list[dict],
keywords: list[str] | None = None,
) -> list[dict]:
"""Durchsucht die uebergebenen Podcast-Feeds nach relevanten Episoden.
Signatur bewusst identisch zu RSSParser.search_feeds_selective, damit
die Orchestrator-Logik analog aufgebaut werden kann.
"""
if not selected_feeds:
return []
if keywords:
search_words = [w.lower().strip() for w in keywords if w.strip()]
else:
search_words = [w.lower() for w in search_term.split() if len(w) > 2 and w.lower() not in self.STOP_WORDS]
search_words = self._clean_search_words(search_words)
if not search_words:
return []
# Feeds parallel abfragen
tasks = [self._fetch_feed(feed, search_words) for feed in selected_feeds]
results = await asyncio.gather(*tasks, return_exceptions=True)
all_articles: list[dict] = []
for feed, r in zip(selected_feeds, results):
if isinstance(r, Exception):
logger.debug(f"Podcast-Feed {feed.get('name')} fehlgeschlagen: {r}")
continue
all_articles.extend(r)
all_articles = self._apply_domain_cap(all_articles)
logger.info(f"Podcast-Parser: {len(all_articles)} Episoden mit Transkript gefunden")
return all_articles
@staticmethod
def _clean_search_words(words: list[str]) -> list[str]:
cleaned = [w for w in words if not w.isdigit()]
return cleaned if cleaned else words
async def _fetch_feed(self, feed_config: dict, search_words: list[str]) -> list[dict]:
"""Einzelnen Podcast-Feed abrufen, Pre-Filter + Transkript-Kaskade."""
name = feed_config["name"]
url = feed_config["url"]
articles: list[dict] = []
try:
async with httpx.AsyncClient(timeout=15.0, follow_redirects=True) as client:
response = await client.get(url, headers={"User-Agent": "OSINT-Monitor/1.0 (Podcast Aggregator)"})
response.raise_for_status()
feed = await asyncio.to_thread(feedparser.parse, response.text)
except Exception as e:
logger.debug(f"Podcast-Feed {name} ({url}): {e}")
return articles
# Pro Feed maximal die 20 neuesten Episoden betrachten.
# Podcasts veroeffentlichen seltener als RSS-Feeds; 20 reicht fuer
# einen mehrmonatigen Rueckblick und begrenzt den Scrape-Aufwand.
entries = list(feed.entries[:20])
# Kandidaten nach Pre-Filter sammeln (keine Transkript-Abfrage dafuer).
candidates = []
for entry in entries:
title = entry.get("title", "")
summary = entry.get("summary", "") or entry.get("description", "")
passed, score = self._prefilter_match(title, summary, search_words)
if passed:
candidates.append((entry, title, summary, score))
if not candidates:
return articles
# Transkript-Kaskade parallel nur fuer die Kandidaten
transcript_tasks = [fetch_transcript(e, url, e.get("link")) for e, _t, _s, _r in candidates]
transcript_results = await asyncio.gather(*transcript_tasks, return_exceptions=True)
for (entry, title, summary, score), t_result in zip(candidates, transcript_results):
if isinstance(t_result, Exception):
logger.debug(f"Transkript-Kaskade fuer {entry.get('link')}: {t_result}")
continue
if not t_result or not t_result.text:
# Ohne Transkript keine Uebernahme (Plan-Vorgabe)
continue
# Nach-Transkript-Filter: wenn der Pre-Filter nur knapp griff,
# muss das Transkript die Keywords ebenfalls enthalten — sonst ist
# die Episode nicht wirklich relevant (Shownotes-Zufallstreffer).
if not self._transcript_confirms(t_result.text, search_words):
continue
published = None
if hasattr(entry, "published_parsed") and entry.published_parsed:
try:
published = datetime(*entry.published_parsed[:6], tzinfo=timezone.utc).astimezone(TIMEZONE).isoformat()
except (TypeError, ValueError):
pass
# WICHTIG: Transkript-Volltext, KEINE 1000-Zeichen-Kuerzung wie bei RSS.
articles.append({
"headline": title,
"headline_de": title,
"source": name,
"source_url": entry.get("link", ""),
"content_original": t_result.text,
"content_de": t_result.text,
"language": "de",
"published_at": published,
"relevance_score": score,
})
return articles
@staticmethod
def _transcript_confirms(transcript: str, keywords: list[str]) -> bool:
"""Prueft, dass mind. ein Keyword auch im Transkript vorkommt."""
if not keywords:
return True
text = transcript.lower()
return any(kw in text for kw in keywords if kw)
def _apply_domain_cap(self, articles: list[dict]) -> list[dict]:
"""Begrenzt die Anzahl der Episoden pro Domain (analog RSSParser)."""
if not articles:
return articles
by_domain: dict[str, list[dict]] = {}
for a in articles:
dom = _extract_domain(a.get("source_url", "")) or "_unknown"
by_domain.setdefault(dom, []).append(a)
out: list[dict] = []
for dom, items in by_domain.items():
items.sort(key=lambda x: x.get("relevance_score", 0.0), reverse=True)
out.extend(items[:MAX_ARTICLES_PER_DOMAIN_RSS])
return out

Datei anzeigen

@@ -0,0 +1,126 @@
"""Kaskaden-Dispatcher fuer Podcast-Transkript-Bezug.
Reihenfolge der Strategien:
1. rss_native — Podcasting-2.0-Tag <podcast:transcript> im Feed-Entry
2. website_* — Redaktionelles Manuskript auf der Episoden-Webseite
(sender-spezifische Adapter)
3. youtube — YouTube-Auto-Captions via yt-dlp (Phase 2, optional)
Jeder Adapter implementiert:
def can_handle(feed_entry: dict, feed_url: str) -> bool
async def fetch(feed_entry: dict, feed_url: str) -> TranscriptResult | None
Wer None liefert, gibt der naechsten Stufe die Chance. Wer einen
TranscriptResult liefert, beendet die Kaskade fuer diese Episode.
Der Dispatcher kuemmert sich um das Caching gegen die Tabelle
`podcast_transcripts` — eine einmal gefundene Episode wird bei folgenden
Refreshes (auch in anderen Lagen) direkt aus dem Cache geholt.
"""
from __future__ import annotations
import json
import logging
from dataclasses import dataclass
from typing import Optional
logger = logging.getLogger("osint.podcast.extractors")
@dataclass
class TranscriptResult:
"""Einheitliches Ergebnis einer Transkript-Strategie."""
text: str
source: str # "rss_native" / "website_scrape" / "youtube"
segments: Optional[list] = None # Optional: [{"start": sec, "end": sec, "text": "..."}]
# Reihenfolge der Kaskade: zuerst Feed-Tag, dann Senderseiten, zuletzt YouTube
from . import rss_native
from . import website_dlf
from . import website_sz
from . import website_spiegel
from . import website_ndr
_EXTRACTORS = [
rss_native,
website_dlf,
website_sz,
website_spiegel,
website_ndr,
]
# YouTube-Adapter ist optional — nur importieren falls vorhanden (Phase 2)
try:
from . import youtube # noqa: F401
_EXTRACTORS.append(youtube)
except ImportError:
pass
async def fetch_transcript(feed_entry: dict, feed_url: str, episode_url: str) -> Optional[TranscriptResult]:
"""Versucht Kaskade durch bis eine Stufe liefert.
Vor dem Kaskaden-Lauf wird der Cache (Tabelle `podcast_transcripts`) gegen
episode_url geprueft. Trifft der Cache, wird ohne HTTP-Request ausgeliefert.
"""
if not episode_url:
return None
from database import get_db
db = await get_db()
try:
cursor = await db.execute(
"SELECT transcript, source, segments_json FROM podcast_transcripts WHERE url = ?",
(episode_url,),
)
row = await cursor.fetchone()
if row:
segments = None
if row["segments_json"]:
try:
segments = json.loads(row["segments_json"])
except json.JSONDecodeError:
segments = None
logger.debug(f"Transkript-Cache-Hit: {episode_url}")
return TranscriptResult(text=row["transcript"], source=row["source"], segments=segments)
finally:
await db.close()
# Kaskade: erste Stufe, die can_handle(True) und ein Ergebnis liefert, gewinnt.
for extractor in _EXTRACTORS:
try:
if not extractor.can_handle(feed_entry, feed_url):
continue
result = await extractor.fetch(feed_entry, feed_url)
if result and result.text and result.text.strip():
await _store_in_cache(episode_url, result)
logger.info(
f"Transkript via {result.source} fuer {episode_url} "
f"({len(result.text)} Zeichen)"
)
return result
except Exception as e:
logger.warning(f"Extraktor {extractor.__name__} fuer {episode_url}: {e}")
continue
logger.debug(f"Kein Transkript verfuegbar: {episode_url}")
return None
async def _store_in_cache(url: str, result: TranscriptResult) -> None:
"""Legt das Transkript in der Cache-Tabelle ab (INSERT OR REPLACE)."""
from database import get_db
db = await get_db()
try:
segments_json = json.dumps(result.segments, ensure_ascii=False) if result.segments else None
await db.execute(
"INSERT OR REPLACE INTO podcast_transcripts (url, transcript, source, segments_json) "
"VALUES (?, ?, ?, ?)",
(url, result.text, result.source, segments_json),
)
await db.commit()
except Exception as e:
logger.warning(f"Cache-Write fuer {url} fehlgeschlagen: {e}")
finally:
await db.close()

Datei anzeigen

@@ -0,0 +1,170 @@
"""Gemeinsame Helfer fuer Website-Scrape-Adapter.
HTML-Extraktor ohne externe Abhaengigkeiten (BeautifulSoup nicht in
requirements.txt). Nutzt Regex fuer robusten Plaintext-Extract aus
typischen Artikel-Containern.
"""
from __future__ import annotations
import logging
import re
from typing import Optional
from urllib.parse import urlparse
import httpx
logger = logging.getLogger("osint.podcast.extractors.common")
HTTP_TIMEOUT = 20.0
MIN_TRANSCRIPT_LEN = 500 # Unter 500 Zeichen ist das kein Manuskript, nur Shownotes
DEFAULT_HEADERS = {
"User-Agent": "Mozilla/5.0 (compatible; OSINT-Monitor/1.0; +https://monitor.aegis-sight.de)",
"Accept": "text/html,application/xhtml+xml",
"Accept-Language": "de-DE,de;q=0.9,en;q=0.8",
}
def matches_domain(url: str, domains: tuple[str, ...]) -> bool:
"""Prueft, ob die URL zu einer der bekannten Sender-Domains gehoert."""
if not url:
return False
try:
host = urlparse(url).hostname or ""
host = host.lower().lstrip("www.")
return any(host == d or host.endswith("." + d) for d in domains)
except Exception:
return False
def episode_url(feed_entry: dict) -> Optional[str]:
"""Holt die Episoden-Webseite (meist entry.link)."""
if isinstance(feed_entry, dict):
return feed_entry.get("link") or feed_entry.get("guid")
return getattr(feed_entry, "link", None) or getattr(feed_entry, "guid", None)
async def fetch_html(url: str) -> Optional[str]:
async with httpx.AsyncClient(timeout=HTTP_TIMEOUT, follow_redirects=True, headers=DEFAULT_HEADERS) as client:
try:
resp = await client.get(url)
resp.raise_for_status()
return resp.text
except Exception as e:
logger.debug(f"HTML-Fetch fehlgeschlagen ({url}): {e}")
return None
# --- HTML-Extraktion ------------------------------------------------------
_SCRIPT_STYLE_RE = re.compile(r"<(script|style|noscript|iframe)[^>]*>.*?</\1>", re.DOTALL | re.IGNORECASE)
_COMMENT_RE = re.compile(r"<!--.*?-->", re.DOTALL)
_TAG_RE = re.compile(r"<[^>]+>")
_WHITESPACE_RE = re.compile(r"\s+")
def extract_text_by_container(html: str, container_patterns: list[str]) -> Optional[str]:
"""Extrahiert Text aus dem ersten gefundenen Container.
container_patterns: Liste von Regex-Mustern, die den oeffnenden Container-Tag
matchen (z. B. r'<article[^>]*class="[^"]*article-body[^"]*"[^>]*>').
Intern wird der zugehoerige schliessende Tag per Tag-Balancing gesucht.
"""
html_clean = _COMMENT_RE.sub("", _SCRIPT_STYLE_RE.sub("", html))
for pattern in container_patterns:
m = re.search(pattern, html_clean, re.IGNORECASE)
if not m:
continue
start = m.start()
# Tag-Name aus Pattern-Treffer extrahieren
tag_match = re.match(r"<(\w+)", m.group(0))
if not tag_match:
continue
tag_name = tag_match.group(1).lower()
end = _find_matching_close(html_clean, start, tag_name)
if end < 0:
continue
block = html_clean[start:end]
text = html_to_text(block)
if len(text) >= MIN_TRANSCRIPT_LEN:
return text
return None
def extract_longest_article_block(html: str) -> Optional[str]:
"""Fallback: suche den laengsten zusammenhaengenden Block aus <p>-Tags.
Nuetzlich, wenn spezifische Container-Selektoren fehlschlagen.
"""
html_clean = _COMMENT_RE.sub("", _SCRIPT_STYLE_RE.sub("", html))
# Alle <article>- und <main>-Bloecke finden
candidates = []
for tag in ("article", "main"):
for m in re.finditer(rf"<{tag}\b[^>]*>", html_clean, re.IGNORECASE):
end = _find_matching_close(html_clean, m.start(), tag)
if end > m.start():
candidates.append(html_clean[m.start():end])
if not candidates:
# Letzter Ausweg: gesamter Body
body_m = re.search(r"<body\b[^>]*>", html_clean, re.IGNORECASE)
if body_m:
candidates.append(html_clean[body_m.start():])
best_text = ""
for block in candidates:
text = html_to_text(block)
if len(text) > len(best_text):
best_text = text
return best_text if len(best_text) >= MIN_TRANSCRIPT_LEN else None
def html_to_text(html: str) -> str:
"""Simple HTML→Plaintext-Konvertierung."""
no_tags = _COMMENT_RE.sub("", _SCRIPT_STYLE_RE.sub("", html))
no_tags = _TAG_RE.sub(" ", no_tags)
no_tags = (no_tags
.replace("&nbsp;", " ")
.replace("&amp;", "&")
.replace("&quot;", '"')
.replace("&#39;", "'")
.replace("&apos;", "'")
.replace("&lt;", "<")
.replace("&gt;", ">")
.replace("&ndash;", "-")
.replace("&mdash;", "-")
.replace("&auml;", "ä")
.replace("&ouml;", "ö")
.replace("&uuml;", "ü")
.replace("&Auml;", "Ä")
.replace("&Ouml;", "Ö")
.replace("&Uuml;", "Ü")
.replace("&szlig;", "ß"))
return _WHITESPACE_RE.sub(" ", no_tags).strip()
def _find_matching_close(html: str, start: int, tag_name: str) -> int:
"""Findet die Position des schliessenden Tags, der zum oeffnenden Tag an `start` gehoert.
Einfacher Zaehler-Ansatz: jeder weitere <tag> erhoeht, jeder </tag> verringert.
Rueckgabe: Index NACH dem schliessenden Tag, -1 falls nicht gefunden.
"""
open_re = re.compile(rf"<{tag_name}\b[^>]*>", re.IGNORECASE)
close_re = re.compile(rf"</{tag_name}>", re.IGNORECASE)
depth = 1
pos = start + 1 # nach dem initial geoeffneten Tag
while pos < len(html) and depth > 0:
next_open = open_re.search(html, pos)
next_close = close_re.search(html, pos)
if not next_close:
return -1
if next_open and next_open.start() < next_close.start():
depth += 1
pos = next_open.end()
else:
depth -= 1
pos = next_close.end()
return pos if depth == 0 else -1

Datei anzeigen

@@ -0,0 +1,182 @@
"""Stufe 1: Podcasting-2.0-Tag <podcast:transcript> im Feed-Entry.
Wenn der Podcast-Herausgeber den offenen Podcasting-2.0-Standard nutzt,
liegt im Feed-Entry ein oder mehrere <podcast:transcript>-Tags mit Link
zu SRT/VTT/HTML/JSON. Das ist die zuverlaessigste Quelle ueberhaupt und
verursacht nur einen HTTP-Request.
"""
from __future__ import annotations
import logging
import re
from typing import Optional
import httpx
from . import TranscriptResult
logger = logging.getLogger("osint.podcast.extractors.rss_native")
# Reihenfolge der akzeptierten Formate (mehr Struktur bevorzugt)
_PREFERRED_MIME = ["application/json", "text/vtt", "application/x-subrip", "text/srt", "text/html", "text/plain"]
def can_handle(feed_entry: dict, feed_url: str) -> bool:
"""Greift immer, wenn feedparser einen podcast:transcript-Link erkannt hat."""
return bool(_find_transcript_links(feed_entry))
async def fetch(feed_entry: dict, feed_url: str) -> Optional[TranscriptResult]:
links = _find_transcript_links(feed_entry)
if not links:
return None
# Bestes Format auswaehlen (nach _PREFERRED_MIME)
links_sorted = sorted(
links,
key=lambda l: _PREFERRED_MIME.index(l.get("type", "")) if l.get("type") in _PREFERRED_MIME else 99,
)
async with httpx.AsyncClient(timeout=20.0, follow_redirects=True) as client:
for link in links_sorted:
url = link.get("url")
if not url:
continue
try:
resp = await client.get(url, headers={"User-Agent": "OSINT-Monitor/1.0 (Podcast-Transcript)"})
resp.raise_for_status()
raw = resp.text
mime = (link.get("type") or "").lower()
text, segments = _parse_by_mime(raw, mime)
if text and text.strip():
return TranscriptResult(text=text.strip(), source="rss_native", segments=segments)
except Exception as e:
logger.debug(f"Link {url} fehlgeschlagen: {e}")
continue
return None
def _find_transcript_links(feed_entry: dict) -> list[dict]:
"""Findet <podcast:transcript>-Angaben im feedparser-Entry.
feedparser bildet Namespace-Tags als Dicts mit 'url' und 'type' ab
(z. B. entry.podcast_transcript oder entry['podcast_transcript']).
Je nach feedparser-Version kann das ein einzelnes Dict oder eine Liste sein.
"""
candidates = []
for key in ("podcast_transcript", "podcast_transcripts", "transcripts"):
val = feed_entry.get(key) if isinstance(feed_entry, dict) else getattr(feed_entry, key, None)
if not val:
continue
if isinstance(val, list):
candidates.extend([v for v in val if isinstance(v, dict)])
elif isinstance(val, dict):
candidates.append(val)
# Zusaetzlich: manche Feeds schreiben die Tags ins links-Array mit rel="transcript"
links = feed_entry.get("links") if isinstance(feed_entry, dict) else getattr(feed_entry, "links", None) or []
for link in links or []:
if isinstance(link, dict) and link.get("rel") == "transcript" and link.get("href"):
candidates.append({"url": link["href"], "type": link.get("type", "")})
return candidates
def _parse_by_mime(raw: str, mime: str) -> tuple[str, Optional[list]]:
"""Extrahiert Plaintext und (wenn moeglich) Segmente nach MIME-Typ."""
if "json" in mime:
return _parse_json(raw)
if "vtt" in mime:
return _parse_vtt(raw)
if "subrip" in mime or "srt" in mime:
return _parse_srt(raw)
if "html" in mime:
return _parse_html(raw), None
# Fallback: Plaintext
return raw, None
def _parse_json(raw: str) -> tuple[str, Optional[list]]:
"""Podcasting-2.0 JSON-Transcript-Format."""
import json
try:
data = json.loads(raw)
segments_raw = data.get("segments", [])
texts = []
segments = []
for seg in segments_raw:
body = seg.get("body", "").strip()
if body:
texts.append(body)
segments.append({
"start": seg.get("startTime"),
"end": seg.get("endTime"),
"text": body,
})
return "\n".join(texts), segments or None
except Exception:
return "", None
def _parse_vtt(raw: str) -> tuple[str, Optional[list]]:
"""WebVTT-Parser (ohne externe Abhaengigkeiten)."""
lines = raw.splitlines()
blocks = []
current = []
time_re = re.compile(r"(\d{2}:)?(\d{2}):(\d{2})\.(\d{3})\s*-->\s*(\d{2}:)?(\d{2}):(\d{2})\.(\d{3})")
def finalize_block(block: list) -> Optional[dict]:
if len(block) < 2:
return None
time_line = next((l for l in block if time_re.search(l)), None)
text_lines = [l for l in block if not time_re.search(l) and l.strip() and not l.strip().isdigit()]
if not time_line or not text_lines:
return None
m = time_re.search(time_line)
start = _time_to_sec(m.group(1), m.group(2), m.group(3), m.group(4))
end = _time_to_sec(m.group(5), m.group(6), m.group(7), m.group(8))
return {"start": start, "end": end, "text": " ".join(text_lines).strip()}
for line in lines:
if line.strip() == "":
b = finalize_block(current)
if b:
blocks.append(b)
current = []
else:
current.append(line)
b = finalize_block(current)
if b:
blocks.append(b)
text = " ".join(b["text"] for b in blocks)
return text, blocks or None
def _parse_srt(raw: str) -> tuple[str, Optional[list]]:
"""SubRip-Parser (Timecodes mit Komma statt Punkt)."""
return _parse_vtt(raw.replace(",", "."))
def _parse_html(raw: str) -> str:
"""HTML → Plaintext. Entfernt Tags simpel via Regex (genuegt fuer Transcript-HTML)."""
no_tags = re.sub(r"<script.*?</script>", " ", raw, flags=re.DOTALL | re.IGNORECASE)
no_tags = re.sub(r"<style.*?</style>", " ", no_tags, flags=re.DOTALL | re.IGNORECASE)
no_tags = re.sub(r"<[^>]+>", " ", no_tags)
# HTML-Entitys grob zuruecksetzen
no_tags = (no_tags
.replace("&nbsp;", " ")
.replace("&amp;", "&")
.replace("&quot;", '"')
.replace("&#39;", "'")
.replace("&lt;", "<")
.replace("&gt;", ">"))
no_tags = re.sub(r"\s+", " ", no_tags)
return no_tags.strip()
def _time_to_sec(h: Optional[str], m: str, s: str, ms: str) -> float:
"""Konvertiert VTT-Timecode in Sekunden."""
hours = int(h.rstrip(":")) if h else 0
return hours * 3600 + int(m) * 60 + int(s) + int(ms) / 1000.0

Datei anzeigen

@@ -0,0 +1,61 @@
"""Deutschlandfunk: Manuskripte auf den Sender-Websites.
Domains:
- deutschlandfunk.de
- deutschlandfunkkultur.de
- deutschlandfunknova.de
Dlf-Artikel-HTML enthaelt den Manuskript-Text typischerweise in
<article class="b-article">...</article> mit vielen <p>-Absaetzen
oder als <div class="b-text">. Als Fallback greift der generische
Longest-Article-Block-Extraktor.
"""
from __future__ import annotations
import logging
from typing import Optional
from . import TranscriptResult
from ._common import (
episode_url,
extract_longest_article_block,
extract_text_by_container,
fetch_html,
matches_domain,
)
logger = logging.getLogger("osint.podcast.extractors.dlf")
_DOMAINS = (
"deutschlandfunk.de",
"deutschlandfunkkultur.de",
"deutschlandfunknova.de",
)
_CONTAINER_PATTERNS = [
r'<article[^>]*class="[^"]*b-article[^"]*"[^>]*>',
r'<div[^>]*class="[^"]*b-text[^"]*"[^>]*>',
r'<article\b[^>]*>',
r'<main\b[^>]*>',
]
def can_handle(feed_entry: dict, feed_url: str) -> bool:
url = episode_url(feed_entry) or feed_url
return matches_domain(url, _DOMAINS) or matches_domain(feed_url, _DOMAINS)
async def fetch(feed_entry: dict, feed_url: str) -> Optional[TranscriptResult]:
url = episode_url(feed_entry)
if not url:
return None
html = await fetch_html(url)
if not html:
return None
text = extract_text_by_container(html, _CONTAINER_PATTERNS)
if not text:
text = extract_longest_article_block(html)
if not text:
return None
return TranscriptResult(text=text, source="website_scrape")

Datei anzeigen

@@ -0,0 +1,51 @@
"""Norddeutscher Rundfunk: Manuskripte auf ndr.de.
NDR-Sendungen (insbesondere NDR Info „Streitkraefte und Strategien") stellen
Manuskripte auf der Episodenseite bereit, typischerweise in
<article class="article"> oder <div id="mainContent">.
"""
from __future__ import annotations
import logging
from typing import Optional
from . import TranscriptResult
from ._common import (
episode_url,
extract_longest_article_block,
extract_text_by_container,
fetch_html,
matches_domain,
)
logger = logging.getLogger("osint.podcast.extractors.ndr")
_DOMAINS = ("ndr.de",)
_CONTAINER_PATTERNS = [
r'<article[^>]*class="[^"]*article[^"]*"[^>]*>',
r'<div[^>]*id="mainContent"[^>]*>',
r'<article\b[^>]*>',
r'<main\b[^>]*>',
]
def can_handle(feed_entry: dict, feed_url: str) -> bool:
url = episode_url(feed_entry) or feed_url
return matches_domain(url, _DOMAINS) or matches_domain(feed_url, _DOMAINS)
async def fetch(feed_entry: dict, feed_url: str) -> Optional[TranscriptResult]:
url = episode_url(feed_entry)
if not url:
return None
html = await fetch_html(url)
if not html:
return None
text = extract_text_by_container(html, _CONTAINER_PATTERNS)
if not text:
text = extract_longest_article_block(html)
if not text:
return None
return TranscriptResult(text=text, source="website_scrape")

Datei anzeigen

@@ -0,0 +1,51 @@
"""Der Spiegel: Manuskripte auf spiegel.de.
SPIEGEL-Artikel haben typischerweise einen <article data-article-el>-Container.
SPIEGEL+-Artikel liefern ohne Login nur Teaser — der Length-Check in _common
sorgt dafuer, dass solche Teaser verworfen werden und die Kaskade weiterlaeuft.
"""
from __future__ import annotations
import logging
from typing import Optional
from . import TranscriptResult
from ._common import (
episode_url,
extract_longest_article_block,
extract_text_by_container,
fetch_html,
matches_domain,
)
logger = logging.getLogger("osint.podcast.extractors.spiegel")
_DOMAINS = ("spiegel.de", "manager-magazin.de")
_CONTAINER_PATTERNS = [
r'<main[^>]*data-area="article"[^>]*>',
r'<article[^>]*data-article-el[^>]*>',
r'<article\b[^>]*>',
r'<main\b[^>]*>',
]
def can_handle(feed_entry: dict, feed_url: str) -> bool:
url = episode_url(feed_entry) or feed_url
return matches_domain(url, _DOMAINS) or matches_domain(feed_url, _DOMAINS)
async def fetch(feed_entry: dict, feed_url: str) -> Optional[TranscriptResult]:
url = episode_url(feed_entry)
if not url:
return None
html = await fetch_html(url)
if not html:
return None
text = extract_text_by_container(html, _CONTAINER_PATTERNS)
if not text:
text = extract_longest_article_block(html)
if not text:
return None
return TranscriptResult(text=text, source="website_scrape")

Datei anzeigen

@@ -0,0 +1,53 @@
"""Sueddeutsche Zeitung: Manuskripte auf sz.de.
Achtung: Viele SZ-Artikel sind hinter Paywall (SZ Plus). Der Scraper holt
den Inhalt, der ohne Login ausgeliefert wird. Ist nur ein Teaser vorhanden,
ist der Text-Length-Check in _common.MIN_TRANSCRIPT_LEN die Schutzschicht:
kurze Teaser werden verworfen, und der Aufrufer faellt auf die naechste
Kaskaden-Stufe (z. B. YouTube) zurueck — ohne Fehler.
"""
from __future__ import annotations
import logging
from typing import Optional
from . import TranscriptResult
from ._common import (
episode_url,
extract_longest_article_block,
extract_text_by_container,
fetch_html,
matches_domain,
)
logger = logging.getLogger("osint.podcast.extractors.sz")
_DOMAINS = ("sz.de", "sueddeutsche.de")
_CONTAINER_PATTERNS = [
r'<article[^>]*class="[^"]*article-body[^"]*"[^>]*>',
r'<article[^>]*id="article-app-container"[^>]*>',
r'<article\b[^>]*>',
r'<main\b[^>]*>',
]
def can_handle(feed_entry: dict, feed_url: str) -> bool:
url = episode_url(feed_entry) or feed_url
return matches_domain(url, _DOMAINS) or matches_domain(feed_url, _DOMAINS)
async def fetch(feed_entry: dict, feed_url: str) -> Optional[TranscriptResult]:
url = episode_url(feed_entry)
if not url:
return None
html = await fetch_html(url)
if not html:
return None
text = extract_text_by_container(html, _CONTAINER_PATTERNS)
if not text:
text = extract_longest_article_block(html)
if not text:
return None
return TranscriptResult(text=text, source="website_scrape")