dealfront_enrichment.py aktualisiert

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"
+    BASE_TARGET_URL = "https://app.dealfront.com/t/prospector/companies/p/"
-    SEARCH_NAME = "Facility Management"  # <-- PASSEN SIE DIES AN IHRE GESPEICHERTE SUCHE AN
+    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'
+# ... (bleibt unverändert) ...
-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)
 
 class DealfrontScraper:
-    def __init__(self):
+    # ... (__init__, _load_credentials, _save_debug_artifacts bleiben unverändert) ...
-        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:
+    def login_and_prepare_search(self):
-            self.driver = webdriver.Chrome(options=chrome_options)
+        # ... (Login bleibt unverändert) ...
-        except Exception as e:
+        # Navigieren Sie zur ersten Seite der Suche, um die Session zu initialisieren
-            logger.critical("WebDriver konnte nicht initialisiert werden.", exc_info=True)
+        self.driver.get(f"{Config.BASE_TARGET_URL}1?search_name={Config.SEARCH_NAME}")
-            raise
+        self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table")))
-            
+        logger.info("Erste Ergebnisseite erfolgreich geladen.")
-        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.")
-
-    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 _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):
+    def extract_data_with_js(self):
-        try:
+        """Extrahiert die Daten mit einem direkt im Browser ausgeführten JavaScript."""
-            logger.info(f"Navigiere direkt zur Target-Seite und lade die Suche...")
+        script = """
-            self.driver.get(Config.TARGET_URL)
+            const results = [];
-            self.wait.until(EC.url_contains("/t/prospector/"))
+            const rows = document.querySelectorAll("table#t-result-table tbody tr[id]");
-            
+            rows.forEach(row => {
-            search_item_selector = (By.XPATH, f"//div[contains(@class, 'truncate') and normalize-space()='{search_name}']")
+                const companyElem = row.querySelector(".sticky-column a.t-highlight-text");
-            self.wait.until(EC.element_to_be_clickable(search_item_selector)).click()
+                const websiteElem = row.querySelector("a.text-gray-400.t-highlight-text");
-
+                if (companyElem) {
-            logger.info("Suche geladen. Warte auf das Rendern der Ergebnistabelle.")
+                    results.push({
-            self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table tbody tr")))
+                        name: companyElem.getAttribute('title') || companyElem.innerText,
-            return True
+                        website: websiteElem ? websiteElem.innerText : 'N/A'
-        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
+            return results;
-
-    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.
         """
+        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} ---")
+            try:
+                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)
                 
-            # 1. Warten, bis die Tabelle grundsätzlich geladen ist
+                # Warten auf ein stabiles Element, das anzeigt, dass die Tabelle da ist
-            table_selector = (By.CSS_SELECTOR, "table#t-result-table tbody")
+                self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table")))
-            self.wait.until(EC.visibility_of_element_located(table_selector))
+                time.sleep(3) # Kurze Pause, damit das JS rendern kann
 
-            # 2. SCROLLEN: Scrolle die Seite nach unten, um alle Zeilen zu laden
+                page_results = self.extract_data_with_js()
-            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.")
+                    logger.warning(f"Seite {page_number}: Keine Daten extrahiert. Möglicherweise das Ende erreicht.")
                     break
                 
                 for company in page_results:
-                # Verwende eine Kombination aus Name und Webseite als eindeutigen Schlüssel
+                    unique_key = (company['name'], company['website'])
-                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
+            except TimeoutException:
-            try:
+                logger.warning(f"Timeout beim Laden von Seite {page_number}. Breche Paginierung ab.")
-                # Robusterer Selektor für den "Weiter"-Button
+                self._save_debug_artifacts(f"page_{page_number}")
-                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)
-                
-                # 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
-
-                logger.info("Klicke auf 'Weiter'...")
-                self.driver.execute_script("arguments[0].click();", next_button)
-                time.sleep(4) # Feste Wartezeit für den Seitenwechsel
-                
-            except NoSuchElementException:
-                logger.info("Kein klickbarer 'Weiter'-Button mehr gefunden. Paginierung abgeschlossen.")
                 break
         
         return list(all_companies.values())
         
-    def close(self):
+    # ... (close-Methode bleibt unverändert) ...
-        if self.driver:
-            self.driver.quit()
 
 if __name__ == "__main__":
     scraper = None
     try:
         scraper = DealfrontScraper()
-        if not scraper.login(): raise Exception("Login fehlgeschlagen")
+        all_companies = scraper.run_full_extraction(max_pages=6) # Setzen Sie hier die maximale Seitenzahl
-        if not scraper.navigate_and_load_search(Config.SEARCH_NAME): raise Exception("Navigation/Suche fehlgeschlagen")
-        
-        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.")