gwoe-antragspruefer/scripts/auto-ingest-protocols.sh

#!/bin/bash
# BL-uebergreifender Auto-Ingest fuer Plenarprotokolle (#106 / #126 Phase 3).
#
# Pro registriertem BL: liest letztes ingestetes Protokoll, probiert das
# naechste, ingestet bei 200, wiederholt bis 404 (mit GAP_TOLERANCE).
# Idempotent (Compound-PK in plenum_vote_results), kein State ausser DB.
#
# Wird via Cron taeglich morgens aufgerufen. Ausgabe nach
# /var/log/gwoe-ingest-protocols.log.
#
# Usage:
#   auto-ingest-protocols.sh [CONTAINER]
set -euo pipefail

CONTAINER="${1:-gwoe-antragspruefer}"
GAP_TOLERANCE=3  # 3 aufeinanderfolgende 404 → fertig fuer dieses BL

# Pro BL: URL-Pattern + Wahlperiode-Auflistung.
# WP-Liste ergibt sich aus aktiven Wahlperioden in BUNDESLAENDER. Hier
# aktuell + Vorgaenger-WP, weil Plenum noch in der laufenden WP arbeitet
# und alte Sitzungen gelegentlich nachtraeglich digitalisiert werden.
#
# Format: BL_CODE|WAHLPERIODE|PROTOKOLL_ID_PREFIX|URL_PATTERN
# URL-Pattern unterstuetzt zwei Platzhalter:
#   {n}  — Sitzungs-Nr unkpaddet (z.B. NRW: MMP18-1.pdf)
#   {n3} — Sitzungs-Nr 3-stellig zero-gepadded (z.B. BUND: 20001.xml)
#   {n4} — Sitzungs-Nr 4-stellig zero-gepadded (z.B. HB: b21l0033.pdf)
PROTO_TARGETS=(
  "NRW|18|MMP18-|https://www.landtag.nrw.de/portal/WWW/dokumentenarchiv/Dokument/MMP18-{n}.pdf"
  "NRW|17|MMP17-|https://www.landtag.nrw.de/portal/WWW/dokumentenarchiv/Dokument/MMP17-{n}.pdf"
  "BUND|20|BTP20-|https://dserver.bundestag.de/btp/20/20{n3}.xml"
  "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"
  "HB|21|HB21l-|https://www.bremische-buergerschaft.de/dokumente/wp21/land/protokoll/b21l{n4}.pdf"
)

echo "=== auto-ingest-protocols $(date -Iseconds) ==="

# ─── HH: Index-Page-Scrape statt URL-Pattern ──────────────────────────
# Hamburg hat keine vorhersagbare URL-Pattern (Blob-IDs + Hashes).
# Stattdessen: Index-Seite scrapen, jedes gefundene PDF einzeln ingesten.
echo "--- HH WP23 (Index-Scrape) ---"
docker exec -i "$CONTAINER" python <<EOF
import re, sys
import urllib.request
import sqlite3
import asyncio

# Index-Seite scrapen
req = urllib.request.Request(
    "https://www.hamburgische-buergerschaft.de/recherche-info/protokolle",
    headers={"User-Agent": "Mozilla/5.0 GWOeAntragspruefer"},
)
try:
    html = urllib.request.urlopen(req, timeout=20).read().decode("utf-8", errors="replace")
except Exception as e:
    print(f"  Index-Scrape fehlgeschlagen: {e}")
    sys.exit(0)

# PDFs extrahieren: /resource/blob/{ID}/{HASH}/{N}-vorl-beschlussprotokoll-DD-MM-YYYY-data.pdf
pdf_re = re.compile(
    r'href="(/resource/blob/(\d+)/([a-f0-9]+)/(\d+)-vorl-beschlussprotokoll-(\d{2}-\d{2}-\d{4})[^"]*\.pdf)"'
)
matches = list(pdf_re.finditer(html))
print(f"  {len(matches)} HH-Protokolle in Index gefunden")

# Bereits ingestete Protokolle holen
db = sqlite3.connect("/app/data/gwoe-antraege.db")
existing = {row[0] for row in db.execute(
    "SELECT quelle_protokoll FROM plenum_vote_results WHERE bundesland='HH'"
)}

from app.ingest_votes import ingest_pdf
from pathlib import Path
import tempfile

new_count = 0
for m in matches:
    href, blob_id, h, sitzung, datum = m.groups()
    pid = f"PlPr23-{sitzung}"
    if pid in existing:
        continue
    url = "https://www.hamburgische-buergerschaft.de" + href
    print(f"  → neu: {pid} ({datum})")
    with tempfile.NamedTemporaryFile(suffix=".pdf", delete=False) as tmp:
        tmp_path = Path(tmp.name)
    try:
        urllib.request.urlretrieve(url, tmp_path)
        stats = asyncio.run(ingest_pdf(
            tmp_path, bundesland="HH", protokoll_id=pid, quelle_url=url,
        ))
        print(f"    parsed: {stats['parsed']}, written: {stats['written']}")
        new_count += 1
    except Exception as e:
        print(f"    Fehler: {e}")
    finally:
        tmp_path.unlink(missing_ok=True)
print(f"  HH: {new_count} neue Protokolle ingestet")
EOF

# ─── HE: Index-Page-Scrape (URL enthaelt Datum, nicht vorhersagbar) ───
# Hessen-Beschlussprotokoll-URL-Pattern hat Datum-Anteil DD-MM-YYYY,
# daher Pattern via starweb-Index extrahieren statt vorzuhersagen.
echo "--- HE WP21 (Index-Scrape) ---"
docker exec -i "$CONTAINER" python <<'EOF'
import re, sys
import urllib.request
import sqlite3
import asyncio

req = urllib.request.Request(
    "https://starweb.hessen.de/starweb/LIS/Pd_Eingang.htm",
    headers={"User-Agent": "Mozilla/5.0 GWOeAntragspruefer"},
)
try:
    # 302 → portal/browse.tt.html, urllib folgt automatisch
    html = urllib.request.urlopen(req, timeout=20).read().decode("utf-8", errors="replace")
except Exception as e:
    print(f"  Index-Scrape fehlgeschlagen: {e}")
    sys.exit(0)

# href="http://starweb.hessen.de/cache/hessen/landtag/Plenum/{wp}/Beschlussprotokoll_PL_{n}_{datum}.pdf"
pdf_re = re.compile(
    r'href="(https?://starweb\.hessen\.de/cache/hessen/landtag/Plenum/(\d+)/'
    r'Beschlussprotokoll_PL_(\d+)_(\d{2}-\d{2}-\d{4})\.pdf)"'
)
matches = list(pdf_re.finditer(html))
print(f"  {len(matches)} HE-Beschlussprotokolle in Index gefunden")

db = sqlite3.connect("/app/data/gwoe-antraege.db")
existing = {row[0] for row in db.execute(
    "SELECT quelle_protokoll FROM plenum_vote_results WHERE bundesland='HE'"
)}

from app.ingest_votes import ingest_pdf
from pathlib import Path
import tempfile

new_count = 0
for m in matches:
    url, wp, sitzung, datum = m.groups()
    pid = f"PlPr{wp}-{sitzung}"
    if pid in existing:
        continue
    print(f"  → neu: {pid} ({datum})")
    with tempfile.NamedTemporaryFile(suffix=".pdf", delete=False) as tmp:
        tmp_path = Path(tmp.name)
    try:
        urllib.request.urlretrieve(url, tmp_path)
        stats = asyncio.run(ingest_pdf(
            tmp_path, bundesland="HE", protokoll_id=pid, quelle_url=url,
        ))
        print(f"    parsed: {stats['parsed']}, written: {stats['written']}")
        new_count += 1
    except Exception as e:
        print(f"    Fehler: {e}")
    finally:
        tmp_path.unlink(missing_ok=True)
print(f"  HE: {new_count} neue Protokolle ingestet")
EOF

# ─── SH: Index-Page-Scrape (URL enthaelt Jahr + MM-YY-Suffix) ─────────
# SH-URL hat Jahr-Pfad + MM-YY-Suffix, daher Index-Scrape.
echo "--- SH WP20 (Index-Scrape) ---"
docker exec -i "$CONTAINER" python <<'EOF'
import re, sys
import urllib.request
import sqlite3
import asyncio

req = urllib.request.Request(
    "https://www.landtag.ltsh.de/infothek/wahl20/plenum/plenprot_seite/",
    headers={"User-Agent": "Mozilla/5.0 GWOeAntragspruefer"},
)
try:
    html = urllib.request.urlopen(req, timeout=20).read().decode("utf-8", errors="replace")
except Exception as e:
    print(f"  Index-Scrape fehlgeschlagen: {e}")
    sys.exit(0)

# href="/export/sites/ltsh/infothek/wahl20/plenum/plenprot/{YYYY}/20-{n:03}_{MM-YY}.pdf"
pdf_re = re.compile(
    r'href="(/export/sites/ltsh/infothek/wahl20/plenum/plenprot/(\d{4})/'
    r'20-(\d{3})_(\d{2}-\d{2})\.pdf)"'
)
matches = list(pdf_re.finditer(html))
print(f"  {len(matches)} SH-Plenarprotokolle in Index gefunden")

db = sqlite3.connect("/app/data/gwoe-antraege.db")
existing = {row[0] for row in db.execute(
    "SELECT quelle_protokoll FROM plenum_vote_results WHERE bundesland='SH'"
)}

from app.ingest_votes import ingest_pdf
from pathlib import Path
import tempfile

new_count = 0
for m in matches:
    href, year, sitzung, suffix = m.groups()
    pid = f"PlPr20-{int(sitzung)}"
    if pid in existing:
        continue
    url = "https://www.landtag.ltsh.de" + href
    print(f"  → neu: {pid} ({year} {suffix})")
    with tempfile.NamedTemporaryFile(suffix=".pdf", delete=False) as tmp:
        tmp_path = Path(tmp.name)
    try:
        urllib.request.urlretrieve(url, tmp_path)
        stats = asyncio.run(ingest_pdf(
            tmp_path, bundesland="SH", protokoll_id=pid, quelle_url=url,
        ))
        print(f"    parsed: {stats['parsed']}, written: {stats['written']}")
        new_count += 1
    except Exception as e:
        print(f"    Fehler: {e}")
    finally:
        tmp_path.unlink(missing_ok=True)
print(f"  SH: {new_count} neue Protokolle ingestet")
EOF

for entry in "${PROTO_TARGETS[@]}"; do
  IFS='|' read -r bl wp prefix pattern <<< "$entry"
  echo "--- ${bl} WP${wp} (prefix=${prefix}) ---"

  # Hoechste bisher ingestete Sitzungs-Nr fuer diesen BL/Prefix
  last_n=$(docker exec "$CONTAINER" python -c "
import sqlite3
c = sqlite3.connect('/app/data/gwoe-antraege.db').cursor()
c.execute(\"SELECT COALESCE(MAX(CAST(SUBSTR(quelle_protokoll, ${#prefix}+1) AS INTEGER)), 0) FROM plenum_vote_results WHERE bundesland=? AND quelle_protokoll LIKE ?\", ('${bl}', '${prefix}%'))
print(c.fetchone()[0])
" 2>/dev/null || echo "0")
  # Sanity: numeric check
  if ! [[ "$last_n" =~ ^[0-9]+$ ]]; then last_n=0; fi

  start_n=$((last_n + 1))
  echo "Letztes ingestes ${prefix}: ${last_n}, probiere ab ${start_n}"

  consecutive_404=0
  for n in $(seq $start_n $((last_n + 50))); do
    n3=$(printf "%03d" "$n")
    n4=$(printf "%04d" "$n")
    url="${pattern//\{n3\}/$n3}"
    url="${url//\{n4\}/$n4}"
    url="${url//\{n\}/$n}"
    http=$(curl -sS -o /dev/null -w "%{http_code}" --max-time 15 "$url" || echo "000")
    if [ "$http" = "200" ]; then
      consecutive_404=0
      pid="${prefix}${n}"
      echo "  → ingest ${pid}"
      docker exec "$CONTAINER" python -m app.ingest_votes \
        --url "$url" --bundesland "$bl" --protokoll-id "$pid" 2>&1 \
        | tail -3 | sed 's/^/      /' || echo "      !! ingest fehlgeschlagen"
    elif [ "$http" = "404" ]; then
      consecutive_404=$((consecutive_404 + 1))
      if [ $consecutive_404 -ge $GAP_TOLERANCE ]; then
        break
      fi
    fi
  done
done

echo "=== auto-ingest done $(date -Iseconds) ==="