Dateien
AegisSight-Monitor/src/feeds/telegram_parser.py
claude-dev a41c8ae529 feat(articles): headline_en persistieren + Sprache aus Quell-Konfig übernehmen
Zwei Lücken beim Befund Lage 96 (Verfassungsänderung Japan): die japanische
Asahi-Shimbun-Quelle wurde durch das Sprach-aware Keyword-Matching (#27) und
Pre-Topic-Translate (#28) erstmals durchgereicht, landete aber mit
language='en' und ohne englische Headline in der DB. Damit ist sie im
Frontend nur als Kanji-Headline zu lesen und das Summary-LLM kann den
Treffer nicht aussagekräftig referenzieren.

1. INSERT INTO articles erweitert um headline_en und content_en. Werte
   stammen primär vom Translator (headline_en, falls TRANSLATOR_ENABLED den
   Pfad einmal in Englisch befüllt), Fallback auf die für den Topic-Filter
   angefertigte Mini-Übersetzung (headline_en_for_topic /
   content_en_for_topic). So liegt die englische Variante dauerhaft in der
   DB statt nur während des Refresh-Laufs im Speicher.

2. RSS- und Telegram-Parser setzen 'language' nun primär aus der Quell-/
   Kanal-Konfiguration (primary_language). Vorher war es hart 'de' wenn die
   Headline deutsch wirkte, sonst 'en' - mit dem Resultat, dass ein
   Kanji-Titel als language='en' landete. Mit dem Fix bekommen Asahi & Co.
   korrekt language='ja', russische Telegram-Kanäle 'ru' etc.

- src/agents/orchestrator.py: INSERT erweitert, Kommentar zur Fallback-Logik
- src/feeds/rss_parser.py: language aus feed_config.primary_language
- src/feeds/telegram_parser.py: channel_lang durch _fetch_channel reichen

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
2026-05-21 17:05:47 +00:00

277 Zeilen
12 KiB
Python

"""Telegram-Kanal Parser: Liest Nachrichten aus konfigurierten Telegram-Kanaelen."""
import asyncio
import logging
import os
from datetime import datetime, timezone
from typing import Optional
from config import TIMEZONE, TELEGRAM_API_ID, TELEGRAM_API_HASH, TELEGRAM_SESSION_PATH
logger = logging.getLogger("osint.telegram")
# Stoppwoerter (gleich wie RSS-Parser)
STOP_WORDS = {
"und", "oder", "der", "die", "das", "ein", "eine", "in", "im", "am", "an",
"auf", "fuer", "mit", "von", "zu", "zum", "zur", "bei", "nach", "vor",
"ueber", "unter", "ist", "sind", "hat", "the", "and", "for", "with", "from",
}
class TelegramParser:
"""Durchsucht Telegram-Kanaele nach relevanten Nachrichten."""
_client = None
_lock = asyncio.Lock()
async def _get_client(self):
"""Telethon-Client erstellen oder wiederverwenden."""
if TelegramParser._client is not None:
if TelegramParser._client.is_connected():
return TelegramParser._client
async with TelegramParser._lock:
# Double-check nach Lock
if TelegramParser._client is not None and TelegramParser._client.is_connected():
return TelegramParser._client
try:
from telethon import TelegramClient
session_path = TELEGRAM_SESSION_PATH
if not os.path.exists(session_path + ".session") and not os.path.exists(session_path):
logger.error("Telegram-Session nicht gefunden: %s", session_path)
return None
client = TelegramClient(session_path, TELEGRAM_API_ID, TELEGRAM_API_HASH)
await client.connect()
if not await client.is_user_authorized():
logger.error("Telegram-Session nicht autorisiert. Bitte neu einloggen.")
await client.disconnect()
return None
TelegramParser._client = client
me = await client.get_me()
logger.info("Telegram verbunden als: %s (%s)", me.first_name, me.phone)
return client
except ImportError:
logger.error("telethon nicht installiert: pip install telethon")
return None
except Exception as e:
logger.error("Telegram-Verbindung fehlgeschlagen: %s", e)
return None
async def search_channels(self, search_term: str, tenant_id: int = None,
keywords: dict | list = None, channel_ids: list[int] = None) -> list[dict]:
"""Liest Nachrichten aus konfigurierten Telegram-Kanaelen.
Args:
keywords: Sprach-Dict {iso_lang: [keyword,...]} oder flache Liste (Backward).
Match nutzt pro Kanal die "en"-Universalbegriffe + die Keywords der
Kanalsprache (primary_language aus sources-Tabelle).
Gibt Artikel-Dicts zurueck (kompatibel mit RSS-Parser-Format).
"""
from agents.researcher import keywords_for_language
client = await self._get_client()
if not client:
logger.warning("Telegram-Client nicht verfuegbar, ueberspringe Telegram-Pipeline")
return []
# Telegram-Kanaele aus DB laden (inkl. primary_language)
channels = await self._get_telegram_channels(tenant_id, channel_ids=channel_ids)
if not channels:
logger.info("Keine Telegram-Kanaele konfiguriert")
return []
# Fallback-Suchwoerter wenn keine Keywords da sind
fallback_words: list[str] | None = None
if not keywords:
fallback_words = [
w for w in search_term.lower().split()
if w not in STOP_WORDS and len(w) >= 3
]
if not fallback_words:
fallback_words = search_term.lower().split()[:2]
# Kanaele parallel abrufen
tasks = []
for ch in channels:
channel_id = ch["url"] or ch["name"]
channel_lang = ch.get("primary_language")
if keywords:
search_words = keywords_for_language(keywords, channel_lang)
search_words = [w.lower() for w in search_words]
else:
search_words = fallback_words or []
tasks.append(self._fetch_channel(client, channel_id, search_words, channel_lang=channel_lang))
results = await asyncio.gather(*tasks, return_exceptions=True)
all_articles = []
for i, result in enumerate(results):
if isinstance(result, Exception):
logger.warning("Telegram-Kanal %s: %s", channels[i]["name"], result)
continue
all_articles.extend(result)
logger.info("Telegram: %d relevante Nachrichten aus %d Kanaelen", len(all_articles), len(channels))
return all_articles
async def _get_telegram_channels(self, tenant_id: int = None, channel_ids: list[int] = None) -> list[dict]:
"""Laedt Telegram-Kanaele aus der sources-Tabelle."""
try:
from database import get_db
db = await get_db()
try:
if channel_ids and len(channel_ids) > 0:
placeholders = ",".join("?" for _ in channel_ids)
cursor = await db.execute(
f"""SELECT id, name, url, category, notes, primary_language FROM sources
WHERE source_type = 'telegram_channel'
AND status = 'active'
AND id IN ({placeholders})""",
tuple(channel_ids),
)
else:
cursor = await db.execute(
"""SELECT id, name, url, category, notes, primary_language FROM sources
WHERE source_type = 'telegram_channel'
AND status = 'active'
AND (tenant_id IS NULL OR tenant_id = ?)""",
(tenant_id,),
)
rows = await cursor.fetchall()
return [dict(row) for row in rows]
finally:
await db.close()
except Exception as e:
logger.error("Fehler beim Laden der Telegram-Kanaele: %s", e)
return []
async def _fetch_channel(self, client, channel_id: str, search_words: list[str],
limit: int = 50, channel_lang: str | None = None) -> list[dict]:
"""Letzte N Nachrichten eines Kanals abrufen und nach Keywords filtern."""
articles = []
try:
# Kanal-Identifier normalisieren
identifier = channel_id.strip()
if identifier.startswith("https://t.me/"):
identifier = identifier.replace("https://t.me/", "")
if identifier.startswith("t.me/"):
identifier = identifier.replace("t.me/", "")
# Privater Invite-Link
if identifier.startswith("+") or identifier.startswith("joinchat/"):
entity = await client.get_entity(channel_id)
else:
# Oeffentlicher Kanal
if not identifier.startswith("@"):
identifier = "@" + identifier
entity = await client.get_entity(identifier)
messages = await client.get_messages(entity, limit=limit)
channel_title = getattr(entity, "title", identifier)
channel_username = getattr(entity, "username", identifier.replace("@", ""))
for msg in messages:
if not msg.text:
continue
text = msg.text
text_lower = text.lower()
# Keyword-Matching (lockerer als RSS: 1 Match reicht,
# da Kanaele bereits thematisch vorselektiert sind)
match_count = sum(1 for word in search_words if word in text_lower)
if match_count < 1:
continue
# Erste Zeile als Headline, Rest als Content
lines = text.strip().split("\n")
headline = lines[0][:200] if lines else text[:200]
content = text
# Datum
published = None
if msg.date:
try:
published = msg.date.astimezone(TIMEZONE).isoformat()
except Exception:
published = msg.date.isoformat()
# Source-URL: t.me/channel/msg_id
if channel_username:
source_url = "https://t.me/%s/%s" % (channel_username, msg.id)
else:
source_url = "https://t.me/c/%s/%s" % (entity.id, msg.id)
relevance_score = match_count / len(search_words) if search_words else 0.0
articles.append({
"headline": headline,
"headline_de": headline if self._is_german(headline) else None,
"source": "Telegram: %s" % channel_title,
"source_url": source_url,
"content_original": content[:2000],
"content_de": content[:2000] if self._is_german(content) else None,
# Sprache primär aus der Kanal-Konfiguration übernehmen
# (z.B. "ru" für russische Kanäle). Sonst Fallback auf die
# de/en-Heuristik. Symmetrisch zur RSS-Pfad-Logik.
"language": channel_lang or ("de" if self._is_german(content) else "en"),
"published_at": published,
"relevance_score": relevance_score,
})
except Exception as e:
logger.warning("Telegram-Kanal %s: %s", channel_id, e)
return articles
async def validate_channel(self, channel_id: str) -> Optional[dict]:
"""Prueft ob ein Telegram-Kanal erreichbar ist und gibt Info zurueck."""
client = await self._get_client()
if not client:
return None
try:
identifier = channel_id.strip()
if identifier.startswith("https://t.me/"):
identifier = identifier.replace("https://t.me/", "")
if identifier.startswith("t.me/"):
identifier = identifier.replace("t.me/", "")
if identifier.startswith("+") or identifier.startswith("joinchat/"):
return {"valid": True, "name": "Privater Kanal", "description": "Privater Einladungslink", "subscribers": None}
if not identifier.startswith("@"):
identifier = "@" + identifier
entity = await client.get_entity(identifier)
from telethon.tl.functions.channels import GetFullChannelRequest
full = await client(GetFullChannelRequest(entity))
return {
"valid": True,
"name": getattr(entity, "title", identifier),
"description": getattr(full.full_chat, "about", "") or "",
"subscribers": getattr(full.full_chat, "participants_count", None),
"username": getattr(entity, "username", ""),
}
except Exception as e:
logger.warning("Telegram-Kanal-Validierung fehlgeschlagen fuer %s: %s", channel_id, e)
return None
def _is_german(self, text: str) -> bool:
"""Einfache Heuristik ob ein Text deutsch ist."""
german_words = {"der", "die", "das", "und", "ist", "von", "mit", "fuer", "auf", "ein",
"eine", "den", "dem", "des", "sich", "wird", "nach", "bei", "auch",
"ueber", "wie", "aus", "hat", "zum", "zur", "als", "noch", "mehr",
"nicht", "aber", "oder", "sind", "vor", "einem", "einer", "wurde"}
words = set(text.lower().split())
matches = words & german_words
return len(matches) >= 2