From 1395d72f2068b973dfb2596f0ca2fc6f6f2f6443 Mon Sep 17 00:00:00 2001 From: Floke Date: Fri, 11 Jul 2025 09:04:21 +0000 Subject: [PATCH] dealfront_enrichment.py aktualisiert --- dealfront_enrichment.py | 206 ++++++++++++---------------------------- 1 file changed, 61 insertions(+), 145 deletions(-) diff --git a/dealfront_enrichment.py b/dealfront_enrichment.py index f6e412b9..de3eb403 100644 --- a/dealfront_enrichment.py +++ b/dealfront_enrichment.py @@ -62,10 +62,16 @@ class DealfrontScraper: return None, None def _save_debug_artifacts(self, suffix=""): - # (Diese Methode bleibt unverändert) - pass + try: + timestamp = time.strftime("%Y%m%d-%H%M%S") + filename_base = os.path.join(Config.OUTPUT_DIR, f"error_{suffix}_{timestamp}") + self.driver.save_screenshot(f"{filename_base}.png") + with open(f"{filename_base}.html", "w", encoding="utf-8") as f: + f.write(self.driver.page_source) + logger.error(f"Debug-Artefakte gespeichert: {filename_base}.*") + except Exception as e: + logger.error(f"Konnte Debug-Artefakte nicht speichern: {e}") - # --- WIEDERHERGESTELLTE METHODEN --- def login(self): try: logger.info(f"Navigiere zur Login-Seite: {Config.LOGIN_URL}") @@ -75,18 +81,15 @@ class DealfrontScraper: self.driver.find_element(By.XPATH, "//button[normalize-space()='Log in']").click() logger.info("Login-Befehl gesendet. Warte 5 Sekunden auf Session-Etablierung.") time.sleep(5) - # Einfache Überprüfung, ob wir weitergeleitet wurden + # Verifizierung, dass wir nicht mehr auf der Login-Seite sind if "login" not in self.driver.current_url: logger.info("Login erfolgreich, URL hat sich geändert.") return True - else: - # Warten auf ein Dashboard-Element als Fallback - self.wait.until(EC.visibility_of_element_located((By.XPATH, "//a[contains(@href, '/dashboard')]"))) - logger.info("Login erfolgreich und Dashboard erreicht.") - return True + self._save_debug_artifacts("login_stuck") + return False except Exception as e: logger.critical("Login-Prozess fehlgeschlagen.", exc_info=True) - self._save_debug_artifacts() + self._save_debug_artifacts("login_exception") return False def navigate_and_load_search(self, search_name): @@ -98,159 +101,72 @@ class DealfrontScraper: search_item_selector = (By.XPATH, f"//div[contains(@class, 'truncate') and normalize-space()='{search_name}']") self.wait.until(EC.element_to_be_clickable(search_item_selector)).click() - logger.info("Suche geladen. Warte auf die Ergebnistabelle.") + logger.info("Suche geladen. Warte auf das Rendern der Ergebnistabelle.") self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table tbody tr"))) return True except Exception as e: logger.critical("Navigation oder Laden der Suche fehlgeschlagen.", exc_info=True) - self._save_debug_artifacts() + self._save_debug_artifacts("navigation_or_search_load") return False - # --- METHODE AUS DEM LETZTEN ERFOLGREICHEN VERSUCH --- def extract_current_page_results(self): - """ - Extrahiert Daten NUR aus den sichtbaren Ergebniszeilen und optimiert die Wartezeiten. - """ - try: - logger.info("Extrahiere Ergebnisse mit dem finalen, präzisen Selektor...") - results = [] - - # 1. Warten, bis die erste Daten-Zelle (Firmenname) sichtbar ist. - first_company_link_selector = (By.CSS_SELECTOR, "td.sticky-column a.t-highlight-text") - self.wait.until(EC.visibility_of_element_located(first_company_link_selector)) - - # 2. Finde NUR die Zeilen, die tatsächlich einen Firmennamen-Link enthalten. - # Dieser XPath ist extrem robust und filtert "Geister"-Zeilen heraus. - rows_with_data_selector = (By.XPATH, "//table[@id='t-result-table']/tbody/tr[.//a[contains(@class, 't-highlight-text')]]") - rows = self.driver.find_elements(*rows_with_data_selector) - logger.info(f"{len(rows)} gültige Datenzeilen zur Verarbeitung gefunden.") - - for row in rows: + results = [] + rows_selector = (By.XPATH, "//table[@id='t-result-table']/tbody/tr[.//a[contains(@class, 't-highlight-text')]]") + data_rows = self.driver.find_elements(*rows_selector) + for row in data_rows: + try: + name = row.find_element(By.CSS_SELECTOR, ".sticky-column a.t-highlight-text").get_attribute("title").strip() + website = "N/A" try: - # Innerhalb dieser garantiert validen Zeilen können wir nun sicher extrahieren. - company_name = row.find_element(By.CSS_SELECTOR, ".sticky-column a.t-highlight-text").get_attribute("title").strip() - - # Versuche, die Webseite zu finden. Wenn nicht vorhanden, wird sie "N/A". - try: - website = row.find_element(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text").text.strip() - except NoSuchElementException: - website = "N/A" - - results.append({'name': company_name, 'website': website}) - except Exception as e: - # Dieser Fall sollte jetzt kaum noch auftreten. - logger.warning(f"Konnte Daten aus einer validen Zeile nicht extrahieren: {e}") - continue - - logger.info(f"Extraktion abgeschlossen. {len(results)} Firmen verarbeitet.") - return results - - except Exception as e: - logger.error(f"Schwerwiegender Fehler bei der Extraktion: {type(e).__name__}", exc_info=True) - self._save_debug_artifacts() - return [] - - # --- NEUE METHODE FÜR PAGINIERUNG --- - def scrape_all_pages(self): - """ - Iteriert durch alle Ergebnisseiten, indem auf den 'Weiter'-Button geklickt wird. - """ - all_companies = [] - page_number = 1 - - while True: - logger.info(f"--- Verarbeite Seite {page_number} ---") - - # Warten auf die erste Datenzeile auf der aktuellen Seite - company_name_selector = (By.CSS_SELECTOR, "td.sticky-column a.t-highlight-text") - self.wait.until(EC.visibility_of_element_located(company_name_selector)) - - # Daten der aktuellen Seite extrahieren - page_results = self.extract_current_page_results() - if not page_results: - logger.warning("Konnte keine Ergebnisse auf der aktuellen Seite extrahieren.") - break # Stoppen, wenn keine Daten gefunden wurden - - all_companies.extend(page_results) - logger.info(f"Seite {page_number}: {len(page_results)} Firmen gefunden. Gesamt: {len(all_companies)}") - - # Weiter-Button finden - # Wir suchen nach einem Link, der ein SVG-Icon mit der Klasse 'fa-angle-right' enthält. - next_page_button_selector = (By.CSS_SELECTOR, "a.eb-pagination-button:not([disabled]) > svg.fa-angle-right") - - try: - next_button = self.wait.until(EC.element_to_be_clickable(next_page_button_selector)) - - # Prüfen, ob der Button wirklich klickbar ist und nicht nur vorhanden - if next_button.is_displayed() and next_button.is_enabled(): - logger.info("Weiter-Button gefunden und klickbar. Klicke auf Weiter...") - self.driver.execute_script("arguments[0].click();", next_button) - page_number += 1 - - # Nach dem Klicken auf "Weiter" warten wir wieder auf das Erscheinen des ersten Elements der NEUEN Seite. - # Das ist robuster als eine feste Zeit. - self.wait.until(EC.visibility_of_element_located(company_name_selector)) - logger.info("Neue Seite geladen.") - else: - logger.info("Weiter-Button ist vorhanden, aber deaktiviert. Letzte Seite erreicht.") - break - except TimeoutException: - logger.info("Kein klickbarer 'Weiter'-Button gefunden. Letzte Seite erreicht.") - break + website = row.find_element(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text").text.strip() except NoSuchElementException: - logger.info("Kein 'Weiter'-Button gefunden. Letzte Seite erreicht.") - break - except Exception as e: - logger.error(f"Unerwarteter Fehler beim Navigieren zur nächsten Seite: {e}") - self._save_debug_artifacts() - break - - return all_companies + pass + results.append({'name': name, 'website': website}) + except NoSuchElementException: + continue + return results - # Die extract_current_page_results Methode bleibt, wie sie zuletzt war, mit den robusten Selektoren - def extract_current_page_results(self): - """ - Extrahiert Daten NUR aus den sichtbaren Ergebniszeilen und optimiert die Wartezeiten. - """ - try: - logger.info("Extrahiere Ergebnisse von der aktuellen Seite...") - results = [] + def scrape_all_pages(self): + all_companies = {} + page_number = 1 + while True: + logger.info(f"--- Verarbeite Seite {page_number} ---") - first_company_link_selector = (By.CSS_SELECTOR, "td.sticky-column a.t-highlight-text") - self.wait.until(EC.visibility_of_element_located(first_company_link_selector)) + self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table"))) - rows_with_data_selector = (By.XPATH, "//table[@id='t-result-table']/tbody/tr[.//a[contains(@class, 't-highlight-text')]]") - rows = self.driver.find_elements(*rows_with_data_selector) - - if not rows: - logger.warning("Keine gültigen Datenzeilen gefunden.") - return [] + try: + first_row_id = self.driver.find_element(By.CSS_SELECTOR, "table#t-result-table tbody tr[id]").get_attribute("id") + except NoSuchElementException: + logger.warning("Konnte keine Datenzeilen auf der Seite finden. Beende Paginierung.") + break - for row in rows: - try: - company_name = row.find_element(By.CSS_SELECTOR, ".sticky-column a.t-highlight-text").get_attribute("title").strip() - website = "N/A" - try: - website = row.find_element(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text").text.strip() - except NoSuchElementException: - pass - results.append({'name': company_name, 'website': website}) - except NoSuchElementException: - logger.warning("Konnte Daten aus einer Zeile nicht extrahieren.") - continue + page_results = self.extract_current_page_results() + if not page_results and page_number > 1: + logger.info("Keine weiteren Ergebnisse auf der Seite extrahiert. Paginierung abgeschlossen.") + break + + for company in page_results: + if company.get('website') != 'N/A' and company.get('website'): + all_companies[company['website']] = company - logger.info(f"{len(results)} Firmen extrahiert.") - return results - - except Exception as e: - logger.error(f"Fehler bei der Extraktion: {type(e).__name__}", exc_info=True) - self._save_debug_artifacts() - return [] + logger.info(f"Seite {page_number}: {len(page_results)} Firmen gefunden. Gesamt einzigartig: {len(all_companies)}") + + try: + next_button = self.wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, "a.eb-pagination-button:not(.disabled) svg[data-icon='angle-right']"))) + self.driver.execute_script("arguments[0].click();", next_button) + page_number += 1 + + # Warten, bis die alte erste Zeile verschwunden ist + self.wait.until(EC.staleness_of(self.driver.find_element(By.ID, first_row_id))) + except TimeoutException: + logger.info("Kein klickbarer 'Weiter'-Button mehr gefunden. Paginierung abgeschlossen.") + break + + return list(all_companies.values()) def close(self): if self.driver: self.driver.quit() - logger.info("WebDriver geschlossen.") if __name__ == "__main__": scraper = None