dealfront_enrichment.py aktualisiert
This commit is contained in:
@@ -8,22 +8,21 @@ 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.webdriver.common.keys import Keys
|
||||
|
||||
# Wichtig: Die zentralen Imports zuerst
|
||||
from config import Config, DEALFRONT_LOGIN_URL, DEALFRONT_CREDENTIALS_FILE, DEALFRONT_TARGET_URL
|
||||
from config import Config, DEALFRONT_LOGIN_URL, DEALFRONT_CREDENTIALS_FILE, DEALFRONT_TARGET_URL, TARGET_SEARCH_NAME
|
||||
|
||||
# Logging-Konfiguration, eigenständig für dieses Skript
|
||||
# Logging-Konfiguration
|
||||
LOG_LEVEL = logging.DEBUG if Config.DEBUG else logging.INFO
|
||||
LOG_FORMAT = '%(asctime)s - %(levelname)-8s - %(name)-25s - %(message)s'
|
||||
logging.basicConfig(level=LOG_LEVEL, format=LOG_FORMAT, force=True)
|
||||
logger = logging.getLogger(__name__)
|
||||
|
||||
# Definiere einen festen Ausgabeordner, der im Dockerfile erstellt wird
|
||||
OUTPUT_DIR = "/app/output"
|
||||
|
||||
class DealfrontScraper:
|
||||
def __init__(self):
|
||||
logger.info("Initialisiere den DealfrontScraper und den Chrome WebDriver.")
|
||||
logger.info("Initialisiere DealfrontScraper und Chrome WebDriver.")
|
||||
chrome_options = ChromeOptions()
|
||||
chrome_options.add_argument("--headless")
|
||||
chrome_options.add_argument("--no-sandbox")
|
||||
@@ -41,10 +40,11 @@ class DealfrontScraper:
|
||||
self.driver = None
|
||||
raise
|
||||
|
||||
self.wait = WebDriverWait(self.driver, 20)
|
||||
self.wait = WebDriverWait(self.driver, 30) # Timeout auf 30s erhöht für mehr Stabilität
|
||||
logger.info("WebDriver erfolgreich initialisiert.")
|
||||
|
||||
def _load_credentials(self):
|
||||
# (Diese Methode bleibt unverändert)
|
||||
try:
|
||||
with open(DEALFRONT_CREDENTIALS_FILE, 'r') as f:
|
||||
creds = json.load(f)
|
||||
@@ -62,29 +62,26 @@ class DealfrontScraper:
|
||||
return None, None
|
||||
|
||||
def _save_debug_artifacts(self):
|
||||
"""Speichert einen Screenshot UND den HTML-Quellcode im Fehlerfall."""
|
||||
# (Diese Methode bleibt unverändert, aber mit neuem Namen)
|
||||
try:
|
||||
os.makedirs(OUTPUT_DIR, exist_ok=True)
|
||||
timestamp = time.strftime("%Y%m%d-%H%M%S")
|
||||
|
||||
# 1. Screenshot speichern
|
||||
screenshot_filepath = os.path.join(OUTPUT_DIR, f"error_{timestamp}.png")
|
||||
self.driver.save_screenshot(screenshot_filepath)
|
||||
logger.error(f"Screenshot '{screenshot_filepath}' wurde für die Analyse gespeichert.")
|
||||
|
||||
# 2. HTML-Quellcode speichern
|
||||
html_filepath = os.path.join(OUTPUT_DIR, f"error_{timestamp}.html")
|
||||
with open(html_filepath, "w", encoding="utf-8") as f:
|
||||
f.write(self.driver.page_source)
|
||||
logger.error(f"HTML-Quellcode '{html_filepath}' wurde für die Analyse gespeichert.")
|
||||
|
||||
except Exception as e:
|
||||
logger.error(f"Konnte Debug-Artefakte nicht speichern: {e}")
|
||||
|
||||
def login_and_navigate_to_target(self):
|
||||
"""
|
||||
Führt den Login durch UND navigiert direkt zur Target-Seite.
|
||||
Gibt nur True zurück, wenn BEIDE Schritte erfolgreich sind.
|
||||
Führt Login durch und navigiert zur Target-Seite via Klick auf den "Quick Link".
|
||||
Dieser Ansatz ist maximal robust.
|
||||
"""
|
||||
if not self.driver:
|
||||
return False
|
||||
@@ -98,36 +95,34 @@ class DealfrontScraper:
|
||||
logger.info(f"Navigiere zur Login-Seite: {DEALFRONT_LOGIN_URL}")
|
||||
self.driver.get(DEALFRONT_LOGIN_URL)
|
||||
|
||||
email_selector = (By.CSS_SELECTOR, "input[name='email']")
|
||||
email_field = self.wait.until(EC.visibility_of_element_located(email_selector))
|
||||
email_field = self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "input[name='email']")))
|
||||
email_field.send_keys(username)
|
||||
|
||||
password_selector = (By.CSS_SELECTOR, "input[type='password']")
|
||||
password_field = self.wait.until(EC.visibility_of_element_located(password_selector))
|
||||
password_field = self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "input[type='password']")))
|
||||
password_field.send_keys(password)
|
||||
|
||||
login_button_selector = (By.XPATH, "//button[normalize-space()='Log in']")
|
||||
login_button = self.wait.until(EC.element_to_be_clickable(login_button_selector))
|
||||
login_button = self.wait.until(EC.element_to_be_clickable((By.XPATH, "//button[normalize-space()='Log in']")))
|
||||
login_button.click()
|
||||
|
||||
# Login Verifizierung
|
||||
verification_login_selector = (By.XPATH, "//input[@data-cy='header-search-input']")
|
||||
self.wait.until(EC.visibility_of_element_located(verification_login_selector))
|
||||
logger.info("Login auf Dashboard erfolgreich verifiziert.")
|
||||
|
||||
# --- SCHRITT 2: DIREKTE NAVIGATION ZUR TARGET-SEITE ---
|
||||
logger.info(f"Navigiere jetzt direkt zur Target-URL: {Config.DEALFRONT_TARGET_URL}")
|
||||
self.driver.get(Config.DEALFRONT_TARGET_URL)
|
||||
|
||||
# Navigation Verifizierung
|
||||
# --- SCHRITT 2: NAVIGATION VIA QUICK-LINK-KACHEL ---
|
||||
logger.info("Login-Befehl gesendet. Warte auf Dashboard und 'Prospects finden'-Link.")
|
||||
|
||||
# Dieser XPath zielt auf den Link in der "Quick links"-Kachel
|
||||
prospects_link_selector = (By.XPATH, "//a[@data-test-target-product-tile]")
|
||||
prospects_link = self.wait.until(EC.element_to_be_clickable(prospects_link_selector))
|
||||
logger.info("'Prospects finden'-Link gefunden. Klicke darauf...")
|
||||
prospects_link.click()
|
||||
|
||||
# --- SCHRITT 3: NAVIGATION VERIFIZIEREN ---
|
||||
url_part_to_wait_for = "/t/prospector/"
|
||||
logger.info(f"Warte, bis die Browser-URL '{url_part_to_wait_for}' enthält...")
|
||||
self.wait.until(EC.url_contains(url_part_to_wait_for))
|
||||
logger.info(f"URL-Wechsel zu Target bestätigt. Aktuelle URL: {self.driver.current_url}")
|
||||
logger.info(f"URL-Wechsel bestätigt. Aktuelle URL: {self.driver.current_url}")
|
||||
|
||||
verification_target_selector = (By.XPATH, "//button[normalize-space()='+ Neue Suche']")
|
||||
self.wait.until(EC.visibility_of_element_located(verification_target_selector))
|
||||
logger.info("'Target'-Seite erfolgreich und vollständig geladen.")
|
||||
|
||||
logger.info("'Target'-Seite erfolgreich und vollständig geladen.")
|
||||
return True
|
||||
|
||||
except Exception as e:
|
||||
@@ -135,92 +130,47 @@ class DealfrontScraper:
|
||||
self._save_debug_artifacts()
|
||||
return False
|
||||
|
||||
|
||||
|
||||
def navigate_to_target(self):
|
||||
"""
|
||||
Navigiert zum 'Target'-Bereich und verifiziert den Erfolg in drei Schritten.
|
||||
Dieser Ansatz ist maximal robust gegen Timing-Probleme von SPAs.
|
||||
"""
|
||||
try:
|
||||
# SCHRITT 1: Befehl zur Navigation geben
|
||||
logger.info(f"Gebe Navigationsbefehl zur Target-URL: {Config.DEALFRONT_TARGET_URL}")
|
||||
self.driver.get(Config.DEALFRONT_TARGET_URL)
|
||||
|
||||
# SCHRITT 2: Warten, bis die URL in der Adresszeile sich tatsächlich ändert.
|
||||
# Das ist der kritischste Schritt, um zu bestätigen, dass der Navigations-Request
|
||||
# vom Browser verarbeitet wurde. Wir suchen nach dem Teil "/t/prospector/".
|
||||
url_part_to_wait_for = "/t/prospector/"
|
||||
logger.info(f"Warte, bis die Browser-URL '{url_part_to_wait_for}' enthält...")
|
||||
self.wait.until(EC.url_contains(url_part_to_wait_for))
|
||||
logger.info(f"URL-Wechsel bestätigt. Aktuelle URL: {self.driver.current_url}")
|
||||
|
||||
# SCHRITT 3: ERST JETZT auf ein sichtbares Element auf der neuen Seite warten.
|
||||
# Dies bestätigt, dass die Seite nicht nur navigiert, sondern auch gerendert wurde.
|
||||
verification_selector = (By.XPATH, "//button[normalize-space()='+ Neue Suche']")
|
||||
logger.info(f"Warte auf Sichtbarkeit des Verifizierungs-Elements auf der Target-Seite: {verification_selector}")
|
||||
self.wait.until(EC.visibility_of_element_located(verification_selector))
|
||||
|
||||
logger.info("'Target'-Seite erfolgreich und vollständig geladen.")
|
||||
return True
|
||||
|
||||
except Exception as e:
|
||||
logger.critical(f"Navigation zur 'Target'-Seite endgültig fehlgeschlagen: {type(e).__name__}", exc_info=True)
|
||||
self._save_debug_artifacts()
|
||||
return False
|
||||
|
||||
|
||||
def load_search(self, search_name):
|
||||
"""Lädt eine vordefinierte Suche anhand ihres Namens."""
|
||||
# (Diese Methode bleibt vorerst unverändert)
|
||||
try:
|
||||
logger.info(f"Suche und lade die vordefinierte Suche: '{search_name}'")
|
||||
# Der XPath sucht nach einem Link, dessen Text den Suchnamen enthält
|
||||
search_link_selector = (By.XPATH, f"//a[contains(., '{search_name}')] | //div[contains(., '{search_name}') and contains(@class, 'list-item')]")
|
||||
search_link_selector = (By.XPATH, f"//div[contains(@class, 'truncate') and normalize-space()='{search_name}']")
|
||||
search_link = self.wait.until(EC.element_to_be_clickable(search_link_selector))
|
||||
search_link.click()
|
||||
|
||||
# Verifizieren, dass die Ergebnisse geladen sind, indem wir auf die Ergebnistabelle warten.
|
||||
# Ein guter Indikator ist die Tabellenüberschrift "Firma".
|
||||
|
||||
results_table_header_selector = (By.XPATH, "//th[normalize-space()='Firma']")
|
||||
self.wait.until(EC.visibility_of_element_located(results_table_header_selector))
|
||||
logger.info(f"Suche '{search_name}' erfolgreich geladen und Ergebnisse angezeigt.")
|
||||
# Eine kleine, feste Wartezeit kann helfen, damit alle Daten nachgeladen sind.
|
||||
time.sleep(3)
|
||||
return True
|
||||
except Exception as e:
|
||||
logger.critical(f"Laden der Suche '{search_name}' fehlgeschlagen: {type(e).__name__}", exc_info=True)
|
||||
self._save_debug_artifacts()
|
||||
return False
|
||||
|
||||
|
||||
def extract_current_page_results(self):
|
||||
"""Extrahiert die Firmennamen und Webseiten von der aktuellen Ergebnisseite."""
|
||||
# (Diese Methode bleibt vorerst unverändert)
|
||||
logger.info("Extrahiere Ergebnisse von der aktuellen Seite...")
|
||||
results = []
|
||||
try:
|
||||
logger.info("Extrahiere Ergebnisse von der aktuellen Seite...")
|
||||
results = []
|
||||
# Finde alle Zeilen in der Ergebnistabelle. Wir gehen davon aus, dass es `tr`-Elemente sind.
|
||||
# Ein stabiler Selektor könnte die `data-test`-Attribute nutzen, falls vorhanden.
|
||||
rows_selector = (By.XPATH, "//tbody/tr")
|
||||
rows = self.driver.find_elements(*rows_selector)
|
||||
|
||||
if not rows:
|
||||
logger.warning("Keine Ergebniszeilen auf der Seite gefunden.")
|
||||
self._save_debug_artifacts()
|
||||
return []
|
||||
|
||||
logger.info(f"{len(rows)} Ergebniszeilen gefunden.")
|
||||
|
||||
for row in rows:
|
||||
try:
|
||||
# Extrahiere Firmenname und Webseite.
|
||||
# Diese XPaths sind Annahmen und müssen ggf. nach Analyse des HTML angepasst werden.
|
||||
company_name = row.find_element(By.XPATH, ".//td[2]//a").text.strip()
|
||||
website = row.find_element(By.XPATH, ".//td[3]//a").text.strip()
|
||||
|
||||
if company_name and website:
|
||||
results.append({'name': company_name, 'website': website})
|
||||
except NoSuchElementException:
|
||||
logger.warning("Konnte Name oder Webseite in einer Zeile nicht finden, überspringe Zeile.")
|
||||
continue
|
||||
|
||||
logger.info(f"{len(results)} Firmen erfolgreich extrahiert.")
|
||||
return results
|
||||
except Exception as e:
|
||||
|
||||
Reference in New Issue
Block a user