7cfbd9f210
Erste Probe (Sitzung 184) war Aussprache, daher 0 Beschluss-Anchors. Sitzung 30 (572k chars, 5 angenommen-Anchors) zeigt die echte BT-Vote-Sprache: 'Die Beschlussempfehlung ist mit den Stimmen der Koalitions- fraktionen und der Fraktion Die Linke gegen die Stimmen der CDU/CSU-Fraktion bei Enthaltung der AfD-Fraktion angenommen.' Pattern-Erkennung: - Anchor-Verb 'angenommen' oder 'abgelehnt' am Satzende - Vote-Block: 'mit den Stimmen [...] gegen die Stimmen [...] bei Enthaltung [...]' - Fraktions-Phrasen: 'Fraktion X', 'X-Fraktion', 'Koalitionsfraktionen' - Drucksachen rueckwaerts vom Anchor (oft 100+ Zeichen vorher) Wichtig: BT-Anchor-Sprache ist viel laenger als NRW — Regex-Begrenzung muss 200+ Zeichen tolerieren. Sample-Sitzungen mit Beschluessen: WP20 30, 100, 150.
105 lines
3.7 KiB
Python
105 lines
3.7 KiB
Python
"""Bundestag (BUND) — Plenarprotokoll-Parser STUB (#106 Folge, ADR 0009).
|
|
|
|
**Status: noch nicht implementiert.** Dieser Modul-Stub enthaelt
|
|
Recherche-Findings, sodass die Implementer-Session direkt produktiv
|
|
loslegen kann. Der Stub wird **nicht** in
|
|
``app.protokoll_parsers.PROTOKOLL_PARSERS`` registriert — der
|
|
Auto-Ingest-Cron ueberspringt BUND solange.
|
|
|
|
## Recherche 2026-04-28
|
|
|
|
### URL-Pattern
|
|
|
|
Plenum-Protokoll als XML (strukturiert):
|
|
```
|
|
https://dserver.bundestag.de/btp/{wp}/{wp}{n:03}.xml
|
|
```
|
|
Beispiel WP20 Sitzung 184: ``https://dserver.bundestag.de/btp/20/20184.xml``
|
|
|
|
Plenum-Protokoll als PDF (rendert dasselbe):
|
|
```
|
|
https://dserver.bundestag.de/btp/{wp}/{wp}{n:03}.pdf
|
|
```
|
|
|
|
### XML-Format
|
|
|
|
Top-Level: ``<dbtplenarprotokoll>`` mit Children:
|
|
- ``<vorspann>`` — Sitzungsmetadaten
|
|
- ``<sitzungsverlauf>`` — Reden + Tagesordnungspunkte
|
|
- ``<anlagen>`` — Beschluss-Anlagen, namentliche Abstimmungen
|
|
- ``<rednerliste>``
|
|
|
|
Tags: ``<rede>``, ``<tagesordnungspunkt>``, ``<kommentar>`` (Regie-
|
|
Anweisungen wie "(Beifall bei der CDU/CSU)"), ``<redner>`` mit
|
|
``<fraktion>``-Untertag.
|
|
|
|
**Kein ``<abstimmung>``-Tag.** Vote-Daten muessen aus Reden + Kommentaren
|
|
extrahiert werden — gleiche Architektur wie NRW (Anchor-basiert), aber
|
|
mit ANDEREN Anchor-Phrasen.
|
|
|
|
### Vote-Anchor-Phrasen (vom NRW-Pattern abweichend!)
|
|
|
|
**Verifiziert in WP20 Sitzung 30** (572k Zeichen XML, 5 angenommen-Anchors):
|
|
|
|
```
|
|
Die Beschlussempfehlung ist mit den Stimmen der Koalitionsfraktionen
|
|
und der Fraktion Die Linke gegen die Stimmen der CDU/CSU-Fraktion bei
|
|
Enthaltung der AfD-Fraktion angenommen.
|
|
```
|
|
|
|
Pattern-Erkennung:
|
|
- Anchor-Verb: ``angenommen`` oder ``abgelehnt`` am Satzende
|
|
- Vote-Block: ``mit den Stimmen [...] gegen die Stimmen [...] bei
|
|
Enthaltung [...]``
|
|
- Fraktions-Phrasen: ``Fraktion X``, ``X-Fraktion``, ``Koalitionsfraktionen``
|
|
- Drucksachen muessen **rueckwaerts** vom Anchor gesucht werden
|
|
(oft mehrere 100 Zeichen vorher)
|
|
|
|
**Wichtig:** BT-Anchor-Sprache ist viel laenger als NRW
|
|
(``Damit ist X angenommen``, 5-30 Zeichen) — bei BT zwischen Stimm-
|
|
Block und ``angenommen`` koennen 200+ Zeichen liegen. Regex-Begrenzung
|
|
muss entsprechend grosszuegig sein.
|
|
|
|
WP20 Sitzung 184 = pure Aussprache, KEINE Beschluss-Anchors. Sample
|
|
fuer Tests: WP20-Sitzungen 30, 100, 150 (alle mit Beschluessen).
|
|
|
|
### Strukturierte Alternative — namentliche Abstimmungen
|
|
|
|
Bundestag publiziert namentliche Abstimmungen separat als Excel/XML
|
|
unter ``bundestag.de/parlament/plenum/abstimmung/abstimmung``. Pro
|
|
Abstimmung MP-level Vote-Records. Fraktions-Aggregate sind dort
|
|
extrahierbar OHNE PDF-Parsing.
|
|
|
|
**Empfehlung fuer Implementer:** statt PDF/XML-Parser bauen, lieber
|
|
``app/abgeordnetenwatch.py`` (existiert) auf Fraktions-Aggregat-Form
|
|
runterrechnen — das deckt namentliche Abstimmungen sauber ab. Nur fuer
|
|
Hammelsprung-und-Handzeichen-Abstimmungen (nicht-namentlich) muss man
|
|
das XML-Plenum parsen.
|
|
|
|
### Sample-Daten fuer Tests
|
|
|
|
- WP20 Sitzung 30: "{wp}{n:03}" → btp/20/20030.xml — enthaelt diverse
|
|
Gesetzentwurf-Beschluesse
|
|
- Sitzungen mit "namentliche Abstimmung" laut Tagesordnung sind
|
|
Goldstandard fuer Tests
|
|
|
|
### Aufwand
|
|
|
|
Geschaetzt 1-2 Tage:
|
|
- 4h Reverse-Engineering der Anchor-Sprache (mehrere Sample-Sitzungen)
|
|
- 4h Parser-Implementierung
|
|
- 4h Tests (Fixture-Pinning analog NRW 19/19-Garantie)
|
|
|
|
Folge-Issue: https://repo.toppyr.de/tobias/gwoe-antragspruefer/issues/148
|
|
"""
|
|
from __future__ import annotations
|
|
|
|
|
|
def parse_protocol(pdf_or_xml_path: str) -> list[dict]:
|
|
"""STUB — siehe Modul-Docstring."""
|
|
raise NotImplementedError(
|
|
"BUND-Plenarprotokoll-Parser ist noch nicht implementiert. "
|
|
"Siehe app/protokoll_parsers/bund.py-Docstring fuer Recherche-Findings "
|
|
"und docs/protokoll-parser-roadmap.md."
|
|
)
|