fix(b9+b14): Real-World-Smoke-Befunde aus Elli-Audit (2026-06-07)

Smoke gegen www.elli.eco hat 3 Bugs offengelegt, die in den synthetischen Tests nicht greifbar waren — Real-Texte haben Abkürzungen, HTML-Stripping-Artefakte, andere Formulierungen. B9 Multi-Entity-Impressum — vorher: 13 "Entities" statt 2. - Block-Boundary jetzt HRB-Anker-basiert (jeder HRB-Eintrag markiert eine Entity). Robuster als Legal-Form-Anker, der bei "Programmierung der Webseite Acme GmbH" über-matchte. - _NAME_BLOCKLIST gegen 11 typische False-Positives (programmierung, webseite, umsatzsteueridentifik, ...). - _LEADING_NOISE_RE strippt Email-TLD-Artefakte ("eco "), deutsche Artikel ("Die "), URL-Fragmente. - _USTID_PAT fängt jetzt auch die Vollform ("Umsatzsteueridentifikationsnummer der … ist DE…") über eine zweite Pattern-Alternative mit [\s\S]{0,80}? Bridge. - Dedup gleicher Entity-Namen — Mehrfacherwähnung in einem Doc zählt als EINE Entity. - Fallback auf alten Legal-Form-Anker wenn keine HRBs vorhanden (z.B. e.V. ohne HR-Pflicht). B14 Retention-Conflict — Anchor-Liste erweitert: - "protokolldat" / "protokollierung der zugriffe" / "zugriffsdat" / "zugriffsprotokoll" als zusätzliche Logfile-Anchors (Elli's reale DSE-Wortwahl statt "Logfile"). B15 AI-Legal-Basis — kein Code-Fix. Elli's aktuelle DSE enthält keine LLM-Provider-Erwähnung mehr; der GT-Anker (2026-06-06) ist seither veraltet. 0 Findings ist korrekt für den aktuellen Stand. Tests: 3 neue Real-World-Regression-Tests in test_impressum_multi_entity_check.py::TestRealWorldElliPattern. Combined: 75/75 grün. Real-World-Smoke gegen Elli (HTTP→Text via crude strip): B9: Entities 13→2 ✓, IMPRESSUM-MULTI-UST_ID → VW ✓ B13: 1 Finding (b2c_strong) ✓ B14: 0 (Elli hat aktuell nur EINEN Retention-Wert für Logs) B15: 0 (LLM nicht erwähnt, korrekt) B16: 3 Findings (impressum/dse/cookie Standard-Slug-Brüche) ✓ Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
2026-06-07 08:50:46 +02:00
parent 4cad0a29ad
commit 529c032641
3 changed files with 164 additions and 10 deletions
@@ -33,6 +33,61 @@ E-Mail: ellimobility@elli.eco
 """


+_ELLI_REAL_WORLD = """
+eco Volkswagen Group Charging GmbH ist im Handelsregister des
+Amtsgerichtes Charlottenburg unter der Nummer HRB 208967 B eingetragen.
+Verantwortlich für den Inhalt nach § 55 Abs. 2 RStV: Giovanni Palazzo.
+
+eco Die Elli Mobility GmbH ist im Handelsregister des Amtsgerichtes
+Charlottenburg unter der Nummer HRB 274616 B eingetragen. Die
+Umsatzsteueridentifikationsnummer der Elli Mobility GmbH ist
+DE814424009. Postanschrift: Karl-Liebknecht-Str. 32.
+Geschäftsführer: Joschi Jennermann Sebastian Steffen.
+"""
+
+
+class TestRealWorldElliPattern:
+    """Regression: Elli's reale HTML→Text-extrahierte Form mit
+    leading-noise-Artefakten (eco/Die), HRB-Boundary, und USt-IdNr-
+    Vollform statt Abkürzung."""
+
+    def test_slice_finds_two_clean_entities(self):
+        slices = _slice_entities(_ELLI_REAL_WORLD)
+        names = [n for n, _ in slices]
+        assert names == [
+            "Volkswagen Group Charging GmbH",
+            "Elli Mobility GmbH",
+        ]
+
+    def test_ust_id_long_form_detected(self):
+        # "Umsatzsteueridentifikationsnummer der ... ist DE..."
+        findings = check_multi_entity_impressum(
+            {"doc_texts": {"impressum": _ELLI_REAL_WORLD}}
+        )
+        ust = [f for f in findings if f["check_id"] == "IMPRESSUM-MULTI-UST_ID"]
+        assert len(ust) == 1
+        assert ust[0]["entities_missing"] == [
+            "Volkswagen Group Charging GmbH",
+        ]
+        assert ust[0]["entities_present"] == ["Elli Mobility GmbH"]
+
+    def test_blocklist_filters_false_positives(self):
+        # "Programmierung der Webseite Elli Mobility GmbH" was an
+        # over-match before the blocklist. With it, the only "entity"
+        # candidates per HRB-block are the actual GmbHs.
+        noisy = (
+            "Acme GmbH HRB 1000 B Berlin.\n"
+            "Foo Holding GmbH HRB 2000 B München.\n"
+            "Programmierung der Webseite Acme GmbH.\n"
+            "Umsatzsteueridentifikationsnummer der Foo Holding GmbH "
+            "ist DE111111111."
+        )
+        slices = _slice_entities(noisy)
+        # Both real entities, no false positives.
+        names = sorted(n for n, _ in slices)
+        assert names == ["Acme GmbH", "Foo Holding GmbH"]
+
+
 class TestCleanEntityName:
    def test_strips_header_prefix(self):
        assert _clean_entity_name(