feat(#163): TH-Parser produktiv — Thueringer Plenarprotokolle
Fuenfter produktiver Parser nach NRW + BUND + BE + HH. URL-Pattern verifiziert (WP8 Sitzungen 1, 10, 20, 30, 40, 42): https://www.thueringer-landtag.de/uploads/tx_tltcalendar/protocols/Arbeitsfassung{n}.pdf Anchor-Sprache (BE-aehnlich): Wer dem zustimmt, ... Das sind die Stimmen aus den Fraktionen der CDU, BSW, SPD und Die Linke. Wer stimmt gegen ...? Das sind die Stimmen aus der Fraktion der AfD. Damit ist [...] mehrheitlich angenommen. Pattern: - Result-Anchor: Damit ist [Subjekt] (mehrheitlich|einstimmig)? (angenommen|abgelehnt) - Vote-Block: Wer dem zustimmt / Wer stimmt gegen / Wer enthaelt sich - Drucksachen-Lookup: 'Drucksache 8/N' rueckwaerts Fraktions-Mapping WP8 (ab Mai 2024): CDU, AfD, BSW, Linke, SPD (WP7-Faktionen GRUENE/FDP fuer Backfill ebenfalls im Mapping). Cron-PROTO_TARGETS um TH-WP8 erweitert. Stub-Test angepasst.
This commit is contained in:
Dotty Dotter
parent
c71f4bf9f8
commit
399dbc2639
@ -32,6 +32,7 @@ from .nrw import parse_protocol as _parse_nrw
|
||||
from .bund import parse_protocol as _parse_bund
|
||||
from .be import parse_protocol as _parse_be
|
||||
from .hh import parse_protocol as _parse_hh
|
||||
from .th import parse_protocol as _parse_th
|
||||
|
||||
# Typ-Alias fuer Lesbarkeit; Parser-Signatur ist bewusst minimal.
|
||||
ProtokollParser = Callable[[str], list[dict]]
|
||||
@ -41,6 +42,7 @@ PROTOKOLL_PARSERS: dict[str, ProtokollParser] = {
|
||||
"BUND": _parse_bund,
|
||||
"BE": _parse_be,
|
||||
"HH": _parse_hh,
|
||||
"TH": _parse_th,
|
||||
}
|
||||
|
||||
|
||||
|
||||
@ -1,47 +1,181 @@
|
||||
"""Thüringen (TH) — Plenarprotokoll-Parser STUB (#106 Folge, ADR 0009).
|
||||
"""Thueringen (TH) — Plenarprotokoll-Parser (#106 / #163, ADR 0009).
|
||||
|
||||
**Status: noch nicht implementiert.** Dieser Modul-Stub enthaelt
|
||||
Recherche-Findings vom 2026-04-28, sodass die Implementer-Session
|
||||
direkt produktiv loslegen kann. Der Stub wird **nicht** in
|
||||
``app.protokoll_parsers.PROTOKOLL_PARSERS`` registriert — der
|
||||
Auto-Ingest-Cron ueberspringt TH solange.
|
||||
URL-Pattern verifiziert (WP8 Sitzungen 1, 10, 20, 30, 40, 42):
|
||||
``https://www.thueringer-landtag.de/uploads/tx_tltcalendar/protocols/Arbeitsfassung{n}.pdf``
|
||||
|
||||
## Recherche
|
||||
(Arbeitsfassungen werden spaeter durch finale Versionen ersetzt — der
|
||||
Endgueltige-Pfad ist via Parlamentsdokumentations-Portal zu finden.)
|
||||
|
||||
| Feld | Wert |
|
||||
|---|---|
|
||||
| **Doku-System** | ParlDok |
|
||||
| **Base-URL** | https://parldok.thueringer-landtag.de |
|
||||
| **Familie** | MV-Familie (Synergien hoch) |
|
||||
| **Format** | PDF nach ID-Discovery |
|
||||
## Anchor-Sprache (verifiziert WP8 Sitzung 40)
|
||||
|
||||
## URL-Discovery
|
||||
```
|
||||
Wer dem zustimmt, den bitte ich um das Handzeichen. Das sind die
|
||||
Stimmen aus den Fraktionen der CDU, BSW, SPD und Die Linke. Wer
|
||||
stimmt gegen den Platzierungswunsch? Das sind die Stimmen aus der
|
||||
Fraktion der AfD. Damit ist der Platzierungswunsch mehrheitlich
|
||||
angenommen.
|
||||
```
|
||||
|
||||
ParlDok-Plattform analog MV — sobald MV-Parser steht, ist TH eine Iteration der MV-Logik mit anderem Base-URL-Praefix
|
||||
Pattern (BE-aehnlich):
|
||||
- **Result-Anchor:** ``Damit ist [Subjekt] (mehrheitlich|einstimmig)? (angenommen|abgelehnt)``
|
||||
- **Vote-Block:** Q+A im Reden-Stil
|
||||
- JA: ``Wer dem zustimmt ... Das sind die Stimmen aus [PHRASE]``
|
||||
- NEIN: ``Wer stimmt gegen ... Das sind die Stimmen aus [PHRASE]``
|
||||
- ENTH: ``Wer enthaelt sich ... [PHRASE]`` (nicht in jedem Vote)
|
||||
- **Drucksachen-Lookup:** ``Drucksache 8/N`` rueckwaerts vom Anchor
|
||||
|
||||
## Bezug
|
||||
## Fraktions-Mapping WP8 (ab 2024)
|
||||
|
||||
- Architektur: ADR 0009 (Plenarprotokoll-Parser-Registry)
|
||||
- Roadmap: ``docs/protokoll-parser-roadmap.md``
|
||||
- Referenz-Implementation: ``app/protokoll_parsers/nrw.py``
|
||||
(38 Tests, 19/19-Fixture-Garantie)
|
||||
- Folge-Issue: https://repo.toppyr.de/tobias/gwoe-antragspruefer/issues/163 (Titel: "protokoll-parser: TH (Thüringen)")
|
||||
WP8 Konstellation (Mai-2024-Wahl): CDU, AfD, BSW, Die Linke, SPD.
|
||||
Keine GRUENE oder FDP im aktuellen Landtag.
|
||||
|
||||
## Aufwand
|
||||
|
||||
Geschaetzt 1-3 Tage konzentrierte Arbeit:
|
||||
- 2-4h URL-Discovery + Format-Inspektion (Sample-Protokoll inhaltlich anschauen)
|
||||
- 4-8h Anchor-Phrasen-Reverse-Engineering + Parser-Implementierung
|
||||
- 4h Tests mit Fixture-Pinning
|
||||
- 1h Eintrag in PROTOKOLL_PARSERS + auto-ingest-protocols.sh
|
||||
- ``CDU``, ``SPD``, ``BSW``, ``AfD``
|
||||
- ``Die Linke`` / ``Linken`` → LINKE
|
||||
- WP7 hatte zusaetzlich GRUENE und FDP — Mapping bei WP7-Backfill ergaenzen
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import re
|
||||
from typing import Optional
|
||||
|
||||
def parse_protocol(path: str) -> list[dict]:
|
||||
"""STUB — siehe Modul-Docstring."""
|
||||
raise NotImplementedError(
|
||||
"TH-Plenarprotokoll-Parser ist noch nicht implementiert. "
|
||||
"Siehe app/protokoll_parsers/th.py-Docstring fuer Recherche-Findings "
|
||||
"und docs/protokoll-parser-roadmap.md."
|
||||
)
|
||||
try:
|
||||
import fitz
|
||||
except ImportError:
|
||||
fitz = None
|
||||
|
||||
|
||||
ALLE_FRAKTIONEN_TH = ["CDU", "SPD", "AfD", "LINKE", "BSW"]
|
||||
|
||||
FRAKTIONEN_MAP_TH = [
|
||||
("Die Linke", ["LINKE"]),
|
||||
("der Linken", ["LINKE"]),
|
||||
("Linke", ["LINKE"]),
|
||||
("CDU", ["CDU"]),
|
||||
("SPD", ["SPD"]),
|
||||
("AfD", ["AfD"]),
|
||||
("BSW", ["BSW"]),
|
||||
("GRÜNE", ["GRÜNE"]), # WP7-Kompatibilitaet
|
||||
("FDP", ["FDP"]), # WP7-Kompatibilitaet
|
||||
]
|
||||
|
||||
|
||||
def _normalize_fraktionen_th(text: str) -> list[str]:
|
||||
found = set()
|
||||
remaining = text
|
||||
for phrase, codes in FRAKTIONEN_MAP_TH:
|
||||
if phrase in remaining:
|
||||
for c in codes:
|
||||
found.add(c)
|
||||
remaining = remaining.replace(phrase, " ")
|
||||
return sorted(found)
|
||||
|
||||
|
||||
# Result-Anchor: "Damit ist [Subjekt] (mehrheitlich|einstimmig)? (angenommen|abgelehnt)"
|
||||
RESULT_ANCHOR_RE = re.compile(
|
||||
r"Damit ist\s+(?:der|die|das|dieser?)?\s*"
|
||||
r"(?P<subject>Antrag|Änderungsantrag|Gesetzentwurf|Beschlussempfehlung|"
|
||||
r"Platzierungswunsch|Tagesordnungspunkt|Entschließungsantrag)"
|
||||
r"[^.]{0,150}?(?P<modus>einstimmig|mehrheitlich)?\s*"
|
||||
r"(?P<ergebnis>angenommen|abgelehnt)\.",
|
||||
re.DOTALL,
|
||||
)
|
||||
|
||||
|
||||
# Vote-Sub-Patterns
|
||||
JA_RE = re.compile(
|
||||
r"Wer dem zustimmt[^.]{0,80}?\.\s*"
|
||||
r"(?:Das sind die Stimmen aus\s+)?(?P<ja>[^.?]+?)(?=\.|Wer (?:stimmt|enth))",
|
||||
re.DOTALL,
|
||||
)
|
||||
NEIN_RE = re.compile(
|
||||
r"Wer stimmt (?:dagegen|gegen)[^.?]{0,80}?\??\s*"
|
||||
r"(?:Das sind die Stimmen aus\s+)?(?P<nein>[^.?]+?)(?=\.|Wer enth|Damit)",
|
||||
re.DOTALL,
|
||||
)
|
||||
ENTH_RE = re.compile(
|
||||
r"Wer enth(?:ä|ae)lt sich[^.?]{0,80}?\??\s*"
|
||||
r"(?P<enth>[^.?]+?)(?=\.|Damit|Wer)",
|
||||
re.DOTALL,
|
||||
)
|
||||
|
||||
DS_RE_TH = re.compile(r"Drucksache\s+(\d{1,2}/\d{2,5})")
|
||||
|
||||
|
||||
def _parse_vote_block_th(block: str) -> dict:
|
||||
votes = {"ja": [], "nein": [], "enthaltung": []}
|
||||
|
||||
ja_m = JA_RE.search(block)
|
||||
if ja_m:
|
||||
votes["ja"] = _normalize_fraktionen_th(ja_m.group("ja"))
|
||||
|
||||
nein_m = NEIN_RE.search(block)
|
||||
if nein_m:
|
||||
votes["nein"] = _normalize_fraktionen_th(nein_m.group("nein"))
|
||||
|
||||
enth_m = ENTH_RE.search(block)
|
||||
if enth_m:
|
||||
enth_text = enth_m.group("enth")
|
||||
if "niemand" in enth_text.lower() or "keine" in enth_text.lower():
|
||||
votes["enthaltung"] = []
|
||||
else:
|
||||
votes["enthaltung"] = _normalize_fraktionen_th(enth_text)
|
||||
|
||||
return votes
|
||||
|
||||
|
||||
def _resolve_drucksache_th(text: str, anchor_start: int) -> Optional[str]:
|
||||
window_start = max(0, anchor_start - 1500)
|
||||
window = text[window_start:anchor_start]
|
||||
matches = list(DS_RE_TH.finditer(window))
|
||||
if matches:
|
||||
return matches[-1].group(1)
|
||||
return None
|
||||
|
||||
|
||||
def _normalize_text(text: str) -> str:
|
||||
return re.sub(r"\s+", " ", text)
|
||||
|
||||
|
||||
def parse_protocol(pdf_path: str) -> list[dict]:
|
||||
if fitz is None:
|
||||
raise ImportError("PyMuPDF (fitz) ist erforderlich fuer den TH-Parser")
|
||||
|
||||
doc = fitz.open(pdf_path)
|
||||
full = "".join(p.get_text() for p in doc)
|
||||
doc.close()
|
||||
full = _normalize_text(full)
|
||||
|
||||
results = []
|
||||
for m in RESULT_ANCHOR_RE.finditer(full):
|
||||
modus = m.group("modus")
|
||||
ergebnis = m.group("ergebnis")
|
||||
block_start = max(0, m.start() - 1500)
|
||||
block = full[block_start:m.end()]
|
||||
|
||||
ds = _resolve_drucksache_th(full, m.start())
|
||||
if not ds:
|
||||
continue
|
||||
|
||||
votes = _parse_vote_block_th(block)
|
||||
einstimmig = modus == "einstimmig"
|
||||
|
||||
if einstimmig and not votes["ja"]:
|
||||
votes["ja"] = list(ALLE_FRAKTIONEN_TH)
|
||||
|
||||
results.append({
|
||||
"drucksache": ds,
|
||||
"ergebnis": ergebnis,
|
||||
"einstimmig": einstimmig,
|
||||
"kind": "direct",
|
||||
"votes": votes,
|
||||
"anchor_pos": m.start(),
|
||||
})
|
||||
|
||||
seen = set()
|
||||
deduped = []
|
||||
for r in results:
|
||||
if r["anchor_pos"] in seen:
|
||||
continue
|
||||
seen.add(r["anchor_pos"])
|
||||
deduped.append(r)
|
||||
return deduped
|
||||
|
||||
@ -31,6 +31,7 @@ PROTO_TARGETS=(
|
||||
"BUND|19|BTP19-|https://dserver.bundestag.de/btp/19/19{n3}.xml"
|
||||
"BE|19|PlPr19-|https://www.parlament-berlin.de/ados/19/IIIPlen/protokoll/plen19-{n3}-pp.pdf"
|
||||
"BE|18|PlPr18-|https://www.parlament-berlin.de/ados/18/IIIPlen/protokoll/plen18-{n3}-pp.pdf"
|
||||
"TH|8|PlPr8-|https://www.thueringer-landtag.de/uploads/tx_tltcalendar/protocols/Arbeitsfassung{n}.pdf"
|
||||
)
|
||||
|
||||
echo "=== auto-ingest-protocols $(date -Iseconds) ==="
|
||||
|
||||
@ -20,9 +20,9 @@ import pytest
|
||||
from app.protokoll_parsers import PROTOKOLL_PARSERS, supported_bundeslaender
|
||||
|
||||
STUB_BL_CODES = [
|
||||
# BUND/BE/HH raus, weil seit 2026-04-28/29 produktive Parser (#148, #150, #155)
|
||||
# BUND/BE/HH/TH raus, weil seit 2026-04-28/29 produktive Parser
|
||||
"BB", "BW", "BY", "HB", "HE",
|
||||
"LSA", "MV", "NI", "RP", "SH", "SL", "SN", "TH",
|
||||
"LSA", "MV", "NI", "RP", "SH", "SL", "SN",
|
||||
]
|
||||
|
||||
|
||||
@ -76,8 +76,8 @@ class TestRegistryDiscipline:
|
||||
|
||||
def test_stubs_not_in_registry(self):
|
||||
registered = set(supported_bundeslaender())
|
||||
# Aktuell: NRW + BUND + BE + HH produktiv
|
||||
assert registered == {"NRW", "BUND", "BE", "HH"}, (
|
||||
# Aktuell: NRW + BUND + BE + HH + TH produktiv
|
||||
assert registered == {"NRW", "BUND", "BE", "HH", "TH"}, (
|
||||
"Unerwartete Registry-Eintraege. Wenn neue BL implementiert sind, "
|
||||
"diesen Test anpassen UND den Stub durch echten Parser ersetzen."
|
||||
)
|
||||
|
||||
Loading…
Reference in New Issue
Block a user