Fixes for the secondary information getting with isbn.de

This commit is contained in:
2026-06-17 16:07:37 +02:00
parent b238b52fbf
commit 3f90e2d4f1
+64 -62
View File
@@ -9542,8 +9542,8 @@ def _fetch_from_open_library(clean_isbn):
def _fetch_from_isbn_de(clean_isbn):
"""
Source 4: isbn.de (Web Scraping für deutsche Schulbücher)
Robuste Version mit Fallbacks für Meta-Tags und Tabellendaten.
Source 4: isbn.de (Maßgeschneidertes Scraping basierend auf realer HTML-Struktur)
Nutzt Open-Graph Meta-Tags und durchsucht die .infotab-Struktur der Sidebar.
"""
try:
url = f"https://www.isbn.de/buch/{clean_isbn}"
@@ -9552,91 +9552,93 @@ def _fetch_from_isbn_de(clean_isbn):
}
response = requests.get(url, headers=headers, timeout=5)
if response.status_code != 200:
return None
soup = BeautifulSoup(response.text, 'html.parser')
# 1. Titel prüfen
title_elem = soup.find('h1')
if not title_elem or "nicht gefunden" in title_elem.text.lower() or "Suche" in title_elem.text:
return None
title = title_elem.text.strip()
# 1. Titel aus den Meta-Tags extrahieren (extrem zuverlässig)
title_meta = soup.find('meta', property='og:title')
title = title_meta.get('content', '').strip() if title_meta else None
if not title:
h1_elem = soup.find('h1')
title = h1_elem.text.strip() if h1_elem else "Unknown Title"
# --- Hilfsfunktion für unstrukturierte HTML-Tabellen ---
def get_detail_by_keyword(keywords):
"""Sucht nach Schlagwörtern (z.B. 'Verlag') und gibt den angrenzenden Wert zurück."""
for tag in soup.find_all(['th', 'td', 'strong', 'b', 'span']):
text = tag.text.strip().lower()
if any(kw in text for kw in keywords):
# Wenn es eine Tabellenzelle (th/td) ist, nimm das nächste Geschwister-Element
if tag.name in ['th', 'td']:
sibling = tag.find_next_sibling('td')
if sibling:
return sibling.text.strip()
# Wenn es ein Label in einem Listen- oder Absatz-Element ist
parent = tag.parent
if parent and parent.name in ['li', 'p', 'div']:
return parent.text.replace(tag.text, '').strip()
# Falls wir auf einer Fehler-/Suchseite landen
if "nicht gefunden" in title.lower() or "suche" in title.lower():
return None
# --- Hilfsfunktion für Schema.org (itemprop) ---
def get_itemprop(prop_name):
elem = soup.find(attrs={"itemprop": prop_name})
if elem:
return elem.get('content') or elem.text.strip()
# --- Hilfsfunktion zum Parsen der .infotab-Sidebar-Struktur ---
# Jede Zeile dort ist aufgebaut als: <div><div>Label</div>Wert</div>
def get_sidebar_value(keyword):
infotab = soup.find(class_='infotab')
if infotab:
for d in infotab.find_all('div'):
# Prüfe, ob der Text im inneren Label-Div mit dem Keyword übereinstimmt
if d.text.strip().lower() == keyword.lower():
parent = d.parent
# Ziehe das Label vom Gesamttext ab, um nur den Wert zu erhalten
return parent.text.replace(d.text, '', 1).strip()
return None
authors = get_itemprop("author")
if not authors:
authors = get_detail_by_keyword(['autor', 'herausgeber', 'von:'])
authors = authors if authors else "Unknown Author"
publisher = get_itemprop("publisher")
# 2. Verlag holen
publisher = get_sidebar_value('verlag')
if not publisher:
publisher = get_detail_by_keyword(['verlag'])
publisher = publisher if publisher else "Unknown Publisher"
publisher = "Unknown Publisher"
pub_date = get_itemprop("datePublished")
if not pub_date:
pub_date = get_detail_by_keyword(['erscheinungsjahr', 'erschienen', 'datum'])
pub_date = pub_date if pub_date else "Unknown Date"
# 3. Erscheinungsdatum (Aus Meta-Tag oder Sidebar)
date_meta = soup.find('meta', property='og:book:release_date')
if date_meta and date_meta.get('content'):
published_date = date_meta.get('content', '').strip()
else:
published_date = get_sidebar_value('erschienen am')
if not published_date:
published_date = "Unknown Date"
page_count = get_itemprop("numberOfPages")
if not page_count:
page_count = get_detail_by_keyword(['seiten', 'umfang'])
# 4. Autor (Schulbücher haben oft keinen Einzelautor, daher kluger Fallback)
author_meta = soup.find('meta', property='og:book:author')
author = author_meta.get('content', '').strip() if author_meta else ""
if not author:
author = get_sidebar_value('autor') or get_sidebar_value('herausgeber')
if not author:
# Wenn kein Autor existiert, ist es eine Verlagsredaktion (z.B. "Klett Redaktion")
author = f"{publisher} Redaktion" if publisher != "Unknown Publisher" else "Unknown Author"
# 5. Seitenanzahl
page_count = get_sidebar_value('seiten') or get_sidebar_value('umfang')
if page_count:
match = re.search(r'\d+', page_count)
page_count = match.group(0) if match else "Unknown"
else:
page_count = "Unknown"
description = get_itemprop("description")
if not description:
for class_name in ['description', 'zusammenfassung', 'klappentext', 'buch-beschreibung']:
fallback_desc = soup.find('div', class_=re.compile(class_name, re.IGNORECASE))
if fallback_desc:
description = fallback_desc.text.strip()
break
description = description if description else "Keine Beschreibung verfügbar"
# 6. Beschreibung aus dem zentralen Textfeld holen und Whitespace bereinigen
description = "Keine Beschreibung verfügbar"
desc_div = soup.find(id='bookdesc')
if desc_div:
# Kombiniert <p> und <ul>-Inhalte zu sauberem Fließtext ohne Zeilenumbruch-Chaos
description = " ".join(desc_div.text.split())
# 7. Cover-Bild (Nutzt den direkten Link zum hochauflösenden Bild aus den Metas)
thumbnail = ""
img_elem = soup.find('img', itemprop="image")
if not img_elem:
img_elem = soup.find('img', class_=lambda c: c and 'cover' in str(c).lower())
if img_elem and 'src' in img_elem.attrs:
thumbnail = img_elem['src']
if thumbnail.startswith('/'):
thumbnail = "https://www.isbn.de" + thumbnail
img_meta = soup.find('meta', property='og:image')
if img_meta:
thumbnail = img_meta.get('content', '').strip()
else:
img_tag = soup.find('img', id='ISBNcover')
if img_tag:
thumbnail = img_tag.get('data-big') or img_tag.get('src')
if thumbnail and thumbnail.startswith('/'):
thumbnail = "https://www.isbn.de" + thumbnail
return {
"title": title,
"authors": authors,
"authors": author,
"publisher": publisher,
"publishedDate": pub_date,
"publishedDate": published_date,
"description": description,
"pageCount": page_count,
"price": None,