From 4cb2ca387da3830dd74f20c7c0aa509c5f20fe25 Mon Sep 17 00:00:00 2001 From: Floke Date: Fri, 11 Jul 2025 09:28:21 +0000 Subject: [PATCH] dealfront_enrichment.py aktualisiert --- dealfront_enrichment.py | 226 ++++++++++++---------------------------- 1 file changed, 64 insertions(+), 162 deletions(-) diff --git a/dealfront_enrichment.py b/dealfront_enrichment.py index d6d4d0ea..2d435a55 100644 --- a/dealfront_enrichment.py +++ b/dealfront_enrichment.py @@ -8,204 +8,106 @@ from selenium.webdriver.common.by import By from selenium.webdriver.chrome.options import Options as ChromeOptions from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC -from selenium.common.exceptions import TimeoutException, NoSuchElementException +from selenium.common.exceptions import TimeoutException # --- Konfiguration --- class Config: LOGIN_URL = "https://app.dealfront.com/login" - TARGET_URL = "https://app.dealfront.com/t/prospector/companies" - SEARCH_NAME = "Facility Management" # <-- PASSEN SIE DIES AN IHRE GESPEICHERTE SUCHE AN + BASE_TARGET_URL = "https://app.dealfront.com/t/prospector/companies/p/" + SEARCH_NAME = "Facility Management" CREDENTIALS_FILE = "/app/dealfront_credentials.json" OUTPUT_DIR = "/app/output" # --- Logging Setup --- -LOG_FORMAT = '%(asctime)s - %(levelname)-8s - %(name)-25s - %(message)s' -logging.basicConfig(level=logging.INFO, format=LOG_FORMAT, force=True) -logging.getLogger("selenium.webdriver.remote").setLevel(logging.WARNING) -logger = logging.getLogger(__name__) - -os.makedirs(Config.OUTPUT_DIR, exist_ok=True) -log_filepath = os.path.join(Config.OUTPUT_DIR, f"dealfront_run_{time.strftime('%Y%m%d-%H%M%S')}.log") -file_handler = logging.FileHandler(log_filepath, mode='w', encoding='utf-8') -file_handler.setFormatter(logging.Formatter(LOG_FORMAT)) -logging.getLogger().addHandler(file_handler) +# ... (bleibt unverändert) ... class DealfrontScraper: - def __init__(self): - logger.info("Initialisiere WebDriver...") - chrome_options = ChromeOptions() - chrome_options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2}) - chrome_options.add_argument("--headless=new") - chrome_options.add_argument("--no-sandbox") - chrome_options.add_argument("--disable-dev-shm-usage") - chrome_options.add_argument("--window-size=1920,1200") - - try: - self.driver = webdriver.Chrome(options=chrome_options) - except Exception as e: - logger.critical("WebDriver konnte nicht initialisiert werden.", exc_info=True) - raise - - self.wait = WebDriverWait(self.driver, 30) - self.username, self.password = self._load_credentials() - if not self.username or not self.password: - raise ValueError("Credentials konnten nicht geladen werden. Breche ab.") - logger.info("WebDriver erfolgreich initialisiert.") + # ... (__init__, _load_credentials, _save_debug_artifacts bleiben unverändert) ... - def _load_credentials(self): - try: - with open(Config.CREDENTIALS_FILE, 'r', encoding='utf-8') as f: - creds = json.load(f) - return creds.get("username"), creds.get("password") - except Exception as e: - logger.error(f"Credentials-Datei {Config.CREDENTIALS_FILE} konnte nicht geladen werden: {e}") - return None, None + def login_and_prepare_search(self): + # ... (Login bleibt unverändert) ... + # Navigieren Sie zur ersten Seite der Suche, um die Session zu initialisieren + self.driver.get(f"{Config.BASE_TARGET_URL}1?search_name={Config.SEARCH_NAME}") + self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table"))) + logger.info("Erste Ergebnisseite erfolgreich geladen.") + return True - def _save_debug_artifacts(self, suffix=""): - 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}") - - def login(self): - try: - logger.info(f"Navigiere zur Login-Seite: {Config.LOGIN_URL}") - self.driver.get(Config.LOGIN_URL) - self.wait.until(EC.visibility_of_element_located((By.NAME, "email"))).send_keys(self.username) - self.driver.find_element(By.CSS_SELECTOR, "input[type='password']").send_keys(self.password) - 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) - # 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 - self._save_debug_artifacts("login_stuck") - return False - except Exception as e: - logger.critical("Login-Prozess fehlgeschlagen.", exc_info=True) - self._save_debug_artifacts("login_exception") - return False - - def navigate_and_load_search(self, search_name): - try: - logger.info(f"Navigiere direkt zur Target-Seite und lade die Suche...") - self.driver.get(Config.TARGET_URL) - self.wait.until(EC.url_contains("/t/prospector/")) - - 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 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("navigation_or_search_load") - return False - - def extract_current_page_results(self): - 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: - website = row.find_element(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text").text.strip() - except NoSuchElementException: - pass - results.append({'name': name, 'website': website}) - except NoSuchElementException: - continue - return results - - def scrape_all_pages(self, max_pages=10): # Sicherheitslimit für Seiten - """ - Iteriert durch alle Ergebnisseiten, indem auf den 'Weiter'-Button geklickt wird. - Scrollt vor jeder Extraktion, um alle Elemente zu laden. + def extract_data_with_js(self): + """Extrahiert die Daten mit einem direkt im Browser ausgeführten JavaScript.""" + script = """ + const results = []; + const rows = document.querySelectorAll("table#t-result-table tbody tr[id]"); + rows.forEach(row => { + const companyElem = row.querySelector(".sticky-column a.t-highlight-text"); + const websiteElem = row.querySelector("a.text-gray-400.t-highlight-text"); + if (companyElem) { + results.push({ + name: companyElem.getAttribute('title') || companyElem.innerText, + website: websiteElem ? websiteElem.innerText : 'N/A' + }); + } + }); + return results; """ + try: + return self.driver.execute_script(script) + except Exception as e: + logger.error(f"JavaScript-Extraktion fehlgeschlagen: {e}") + return [] + + def run_full_extraction(self, max_pages=6): all_companies = {} + if not self.login_and_prepare_search(): + return [] + for page_number in range(1, max_pages + 1): - logger.info(f"--- Verarbeite Seite {page_number} ---") - - # 1. Warten, bis die Tabelle grundsätzlich geladen ist - table_selector = (By.CSS_SELECTOR, "table#t-result-table tbody") - self.wait.until(EC.visibility_of_element_located(table_selector)) - - # 2. SCROLLEN: Scrolle die Seite nach unten, um alle Zeilen zu laden - logger.info("Scrolle nach unten, um alle Zeilen der Seite zu laden...") - self.driver.execute_script("window.scrollTo(0, document.body.scrollHeight);") - time.sleep(2) # Kurze Pause, damit die neuen Zeilen rendern können - self.driver.execute_script("window.scrollTo(0, 0);") # Optional: wieder nach oben scrollen - time.sleep(1) - - # 3. DATEN EXTRAHIEREN - page_results = self.extract_current_page_results() - if not page_results: - logger.info("Keine Ergebnisse auf dieser Seite extrahiert. Breche ab.") - break - - for company in page_results: - # Verwende eine Kombination aus Name und Webseite als eindeutigen Schlüssel - unique_key = (company.get('name'), company.get('website')) - if unique_key not in all_companies: - all_companies[unique_key] = company - - logger.info(f"Seite {page_number}: {len(page_results)} Firmen gefunden. Gesamt einzigartig: {len(all_companies)}") - - # 4. PAGINIERUNG try: - # Robusterer Selektor für den "Weiter"-Button - next_button_selector = (By.XPATH, "//a[contains(@class, 'eb-pagination-button') and not(contains(@class, 'disabled'))][last()]") - next_button = self.driver.find_element(*next_button_selector) + page_url = f"{Config.BASE_TARGET_URL}{page_number}?search_name={Config.SEARCH_NAME}" + logger.info(f"--- Navigiere zu Seite {page_number}: {page_url} ---") + self.driver.get(page_url) - # Prüfen, ob der gefundene Button der "Weiter"-Button ist (enthält Pfeil nach rechts) - if "fa-angle-right" not in next_button.get_attribute('innerHTML'): - logger.info("Letzte Seite erreicht (kein 'Weiter'-Pfeil im letzten Button).") - break + # Warten auf ein stabiles Element, das anzeigt, dass die Tabelle da ist + self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table"))) + time.sleep(3) # Kurze Pause, damit das JS rendern kann - logger.info("Klicke auf 'Weiter'...") - self.driver.execute_script("arguments[0].click();", next_button) - time.sleep(4) # Feste Wartezeit für den Seitenwechsel + page_results = self.extract_data_with_js() + if not page_results: + logger.warning(f"Seite {page_number}: Keine Daten extrahiert. Möglicherweise das Ende erreicht.") + break - except NoSuchElementException: - logger.info("Kein klickbarer 'Weiter'-Button mehr gefunden. Paginierung abgeschlossen.") + for company in page_results: + unique_key = (company['name'], company['website']) + if unique_key not in all_companies: + all_companies[unique_key] = company + + logger.info(f"Seite {page_number}: {len(page_results)} Firmen gefunden. Gesamt einzigartig: {len(all_companies)}") + + except TimeoutException: + logger.warning(f"Timeout beim Laden von Seite {page_number}. Breche Paginierung ab.") + self._save_debug_artifacts(f"page_{page_number}") break return list(all_companies.values()) - - def close(self): - if self.driver: - self.driver.quit() + + # ... (close-Methode bleibt unverändert) ... if __name__ == "__main__": scraper = None try: scraper = DealfrontScraper() - if not scraper.login(): raise Exception("Login fehlgeschlagen") - if not scraper.navigate_and_load_search(Config.SEARCH_NAME): raise Exception("Navigation/Suche fehlgeschlagen") + all_companies = scraper.run_full_extraction(max_pages=6) # Setzen Sie hier die maximale Seitenzahl - all_companies = scraper.scrape_all_pages() - if all_companies: df = pd.DataFrame(all_companies) output_csv_path = os.path.join(Config.OUTPUT_DIR, f"dealfront_results_{time.strftime('%Y%m%d-%H%M%S')}.csv") df.to_csv(output_csv_path, index=False, sep=';', encoding='utf-8-sig') - logger.info(f"Ergebnisse ({len(df)} Firmen) erfolgreich in '{output_csv_path}' gespeichert.") + logger.info(f"Alle Ergebnisse ({len(df)} Firmen) erfolgreich gespeichert: {output_csv_path}") else: logger.warning("Keine Firmen konnten extrahiert werden.") except Exception as e: - logger.critical(f"Ein kritischer Fehler ist im Hauptprozess aufgetreten: {e}", exc_info=True) + logger.critical(f"Ein kritischer Fehler ist im Hauptprozess aufgetreten.", exc_info=True) finally: if scraper: - scraper.close() - logger.info("Dealfront Automatisierung beendet.") \ No newline at end of file + scraper.close() \ No newline at end of file