Dateien
AegisSight-Monitor/src/feeds/transcript_extractors/_common.py
claude-dev 5127e0a42d 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).
2026-04-18 12:06:54 +00:00

171 Zeilen
6.0 KiB
Python

"""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