Senior QA Review — Integrity Scanner

Urteil: PASS WITH CONCERNS

✅ Bestanden (8/8)

Check	Ergebnis	Befehl/Evidenz
Module-Import	11/11 ✅	`python3 -c "import scanner.*"` — alle OK
Tests	266/266 grün (2.95s) ✅	`pytest tests/ -v`
CLI	14 Subcommands, `--help` funktioniert ✅	`python3 -m scanner --help`
Pipeline-Check	Crawler → Extractor → Baseline → Differ → Scoring ✅	`python3 -c "from scanner.differ import compare_snapshots"`
Echter Check (`bredelar.info`)	🟢 Score 0, 46 Seiten geprüft ✅	`python3 -m scanner --config bredelar.info/config.yaml check`
Report-Generierung	JSON + Markdown ✅	`bredelar.info/reports/20260614_171847/report.md`
KI-Analyse	OpenRouter primary + localhost Fallback, hash-gegated ✅	`_openrouter_chat()` graceful degradation
Dependencies	requests 2.32, bs4 4.13, lxml 5.4, PyYAML 6.0, pytest 8.3 ✅	`requirements.txt` erfüllt

🔴 Blocker (0)

Keine.

🟡 Major (2) — unverändert vom letzten Review

M1: exclude_paths=["/"] bei jamulix.de blockt ALLE Pfade
Datei: jamulix.de/config.yaml (Zeile 28-30)
Befehl: python3 -c "from scanner.crawler import should_crawl; print(should_crawl('https://jamulix.de/podcasts/episode-1', 'jamulix.de', [], ('/hackernews/', '/'), ('/podcasts/',)))" → False
Reproduktion: exclude_paths=['/'] + p.path.startswith('/') → jeder Pfad wird blockiert. Baseline hat nur 1 Seite.
Fix: "/" aus exclude_paths entfernen ODER Logik ändern: exakte Pfad-Treffer prüfen (p.path == "/"), nicht startswith.

M2: Seed-URL umgeht should_crawl-Filter
Datei: scanner/crawler.py (Zeile 10-16)
Befehl: grep -n "should_crawl" scanner/crawler.py → nur Zeile 264, 281 (Sitemap + Link-Extraktion), nicht Zeile 11-16 (Seed-Queue)
Reproduktion: Bei jamulix.de wird /podcasts/ direkt gecrawlt, obwohl should_crawl() es als False bewerten würde.
Fix: Seed-URLs durch should_crawl() filtern.

🔵 Minor (4) — unverändert vom letzten Review

Issue	Datei	Risiko
Mi1: Test-Coverage für `__main__.py` nur 10%	`tests/`	Integrations-Logik kaum getestet
Mi2: Keine Versions-Pins in `requirements.txt`	`requirements.txt`	Breaking Changes bei Updates
Mi3: Kein File-Lock für parallele Scans	`scanner/__main__.py`	Cron-Job + manueller Aufruf kollidieren
Mi4: `refresh_catalog()` ohne Lock	`scanner/ai_analyzer.py`	Race Condition bei parallelen Scans

📊 Fehlende Tests (Coverage < 40%)

Modul	Coverage	Fehlend
`__main__.py`	10%	`cmd_scan`, `cmd_check`, `_worst_level`, Report-Pipeline
`crawler.py`	28%	Live-Crawl, Sitemap-Parsing, Seed-URL-Logik
`config.py`	28%	`resolve_paths()`, Config-Merge
`report.py`	37%	Markdown-Rendering, JSON-Export

⚠️ Produktionsrisiken

Jamulix-Crawl: Nur 1 Seite gecrawlt (M1 + M2). Bei check → alle anderen URLs als "fehlend" gemeldet.
Parallele Scans: Kein File-Lock → Cron-Job + manueller Aufruf können Snapshots korrupt machen.
Dependency-Updates: Keine Obergrenzen in requirements.txt → potentielles Breaking Change bei requests v3.x oder beautifulsoup4 v5.x.
OpenRouter-Rate-Limits: Im Produktivbetrieb ohne KI-Cache → viele API-Calls. Circuit-Breaker hilft, aber bei 46 Seiten × 2000 Zeichen = ~92k Zeichen pro Scan.

🔧 Konkrete Fix-Aufträge an den Coder

Fix M1: jamulix.de/config.yaml → "/" aus exclude_paths entfernen.
Fix M2: scanner/crawler.py Zeile 10-16 → Seed-URLs durch should_crawl() filtern.
Add Lock: scanner/__main__.py → File-Lock vor cmd_scan (fcntl.flock oder portalocker).
Add Tests: tests/test_main.py → Integrationstests für cmd_scan, cmd_check, _worst_level.
Pin Versions: requirements.txt → Obergrenzen hinzufügen (z.B. requests>=2.31,<3.0).

Fazit

Das Projekt funktioniert und ist produktionsreif für bredelar.info (46 Seiten, alle Checks grün). Die Hauptprobleme sind:

Jamulix-Crawl nur 1 Seite (Konfigurations-Bug + Code-Bug)
Test-Coverage für __main__.py nur 10%

Empfehlung: M1 + M2 fixen → dann PASS.

4.3 KiB Raw Blame History Unescape Escape