gateway/gwserver/connector_aiweb_webscraping.py

import logging
import re
import requests
from typing import List, Dict, Any, Optional
from bs4 import BeautifulSoup
import json
import os
import configload as configload


# Logger konfigurieren
logger = logging.getLogger(__name__)

# Konfigurationsdaten laden
def load_config_data():
    config = configload.load_config()
    return {
        "timeout": int(config.get('Connector_AiWebscraping', 'TIMEOUT', fallback="30")),
        "max_urls": int(config.get('Connector_AiWebscraping', 'MAX_URLS', fallback="5")),
        "max_content_length": int(config.get('Connector_AiWebscraping', 'MAX_CONTENT_LENGTH', fallback="10000")),
        "user_agent": config.get('Connector_AiWebscraping', 'USER_AGENT', fallback="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36")
    }

class WebScrapingService:
    """
    Connector für Web-Scraping-Funktionalitäten.
    """
    
    def __init__(self):
        # Konfiguration laden
        self.config = load_config_data()
        
        # Konfigurationswerte zu Instance-Attributen zuweisen
        self.timeout = self.config["timeout"]
        self.max_urls = self.config["max_urls"]
        self.max_content_length = self.config["max_content_length"]
        self.user_agent = self.config["user_agent"]
        
        logger.info(f"WebScraping Connector initialisiert mit Timeout: {self.timeout}s")
    
    def scrape_url(self, url: str) -> str:
        """
        Scrapt den Inhalt einer URL und extrahiert den relevanten Text.
        
        Args:
            url: Die zu scrapende URL
            
        Returns:
            Der extrahierte Inhalt
            
        Raises:
            Exception: Bei Fehlern im Scraping-Prozess
        """
        headers = {
            'User-Agent': self.user_agent
        }
        
        try:
            response = requests.get(url, headers=headers, timeout=self.timeout)
            response.raise_for_status()
            
            soup = BeautifulSoup(response.text, 'html.parser')
            
            # Entferne Skripte, Styles und andere unwichtige Elemente
            for script in soup(["script", "style", "meta", "noscript", "iframe"]):
                script.extract()
            
            # Extrahiere den Hauptinhalt
            main_content = ""
            
            # Versuche, Hauptcontainer zu finden (häufige IDs und Klassen)
            main_elements = soup.select('main, #main, .main, #content, .content, article, .article, .post, #post')
            
            if main_elements:
                # Nehme den ersten gefundenen Hauptcontainer
                main_content = main_elements[0].get_text(separator='\n', strip=True)
            else:
                # Falls kein Hauptcontainer gefunden, nehme den Body-Text
                main_content = soup.body.get_text(separator='\n', strip=True)
            
            # Bereinige den Text (entferne mehrfache Leerzeilen etc.)
            lines = [line.strip() for line in main_content.split('\n') if line.strip()]
            main_content = '\n'.join(lines)
            
            # Begrenze die Länge
            if len(main_content) > self.max_content_length:
                main_content = main_content[:self.max_content_length] + "...\n[Inhalt gekürzt]"
            
            return main_content
            
        except Exception as e:
            logger.error(f"Fehler beim Scrapen von {url}: {str(e)}")
            raise Exception(f"Fehler beim Scrapen von {url}: {str(e)}")
    
    def extract_urls(self, text: str) -> List[str]:
        """
        Extrahiert URLs aus einem Text.
        
        Args:
            text: Der zu analysierende Text
            
        Returns:
            Liste der gefundenen URLs
        """
        # Einfacher URL-Extraktions-Regex
        url_pattern = re.compile(r'https?://(?:[-\w.]|(?:%[\da-fA-F]{2}))+[/\w\.-]*(?:\?\S+)?')
        return url_pattern.findall(text)
    
    def extract_keywords(self, text: str) -> str:
        """
        Extrahiert Schlüsselwörter aus einem Text.
        
        Args:
            text: Der zu analysierende Text
            
        Returns:
            Extrahierte Schlüsselwörter als String
        """
        # Einfache Implementierung - in der Praxis könntest du NLP verwenden
        words = text.split()
        # Filtere kurze Wörter und häufige Stopwörter
        stopwords = ["einen", "einer", "eines", "keine", "nicht", "diese", "dieses", "zwischen", 
                     "und", "oder", "aber", "denn", "wenn", "weil", "obwohl", "während", "für", 
                     "mit", "von", "aus", "nach", "bei", "über", "unter", "durch", "gegen"]
        keywords = [w for w in words if len(w) > 4 and w.lower() not in stopwords]
        return " ".join(keywords[:5])  # Begrenze auf 5 Keywords
    
    async def search_web(self, query: str) -> str:
        """
        Simuliert eine Websuche mit den gegebenen Schlüsselwörtern.
        
        Args:
            query: Suchbegriffe
            
        Returns:
            Ergebnisse der Suche (simuliert)
        """
        # HINWEIS: Dies ist eine Simulation! In einer echten Anwendung 
        # würdest du Google Custom Search API, SerpAPI oder ähnliches verwenden
        
        # Für eine echte Implementierung:
        # - Google Custom Search API: https://developers.google.com/custom-search/v1/overview
        # - SerpAPI: https://serpapi.com/
        # - Oder ähnliche Dienste
        
        return f"Hinweis: Dies ist eine Demo-Implementierung ohne echte Websuche. In der Produktion würde hier der Agent tatsächlich nach '{query}' suchen."
    
    async def scrape_web_data(self, prompt: str) -> str:
        """
        Führt Web-Scraping basierend auf dem Prompt durch
        
        Args:
            prompt: Der Benutzer-Prompt
            
        Returns:
            Gescrapte Webdaten als Text
        """
        try:
            # Extrahiere mögliche Schlüsselwörter oder URLs aus dem Prompt
            keywords = self.extract_keywords(prompt)
            urls = self.extract_urls(prompt)
            
            results = []
            
            # Falls direkte URLs im Prompt enthalten sind
            if urls:
                logger.info(f"Gefundene URLs: {', '.join(urls[:self.max_urls])}")
                for url in urls[:self.max_urls]:  # Begrenze auf max_urls
                    try:
                        logger.info(f"Scrape URL: {url}")
                        content = self.scrape_url(url)
                        if content:
                            results.append(f"## Inhalt von {url}\n{content}")
                            logger.info(f"Scraping von {url} erfolgreich")
                    except Exception as e:
                        logger.error(f"Fehler beim Scrapen von {url}: {e}")
            
            # Falls keine URLs, versuche Suche mit Schlüsselwörtern
            elif keywords:
                logger.info(f"Verwende Keywords für Suche: {keywords}")
                search_results = await self.search_web(keywords)
                if search_results:
                    results.append(f"## Suchergebnisse für: {keywords}\n{search_results}")
                    logger.info("Suche abgeschlossen")
            
            if results:
                return "\n\n".join(results)
                
            logger.warning("Keine relevanten Web-Daten gefunden")
            return "Keine relevanten Web-Daten gefunden."
            
        except Exception as e:
            logger.error(f"Fehler beim Web-Scraping: {e}")
            return f"Web-Scraping konnte nicht durchgeführt werden: {str(e)}"
            
    async def close(self):
        """
        Schließt alle offenen Ressourcen.
        """
        # Derzeit keine offenen Ressourcen zu schließen
        pass