diff --git a/dealfront_enrichment.py b/dealfront_enrichment.py index 64ec3463..f7ce861e 100644 --- a/dealfront_enrichment.py +++ b/dealfront_enrichment.py @@ -117,11 +117,10 @@ class DealfrontScraper: def extract_current_page_results(self): """ - Extrahiert Daten mit einem schnellen, zeilen-fokussierten Ansatz. - Ignoriert "Geister"-Zeilen und verhindert Timeouts. + Extrahiert Daten mit einem schnellen, direkten Ansatz, der Geister-Zeilen ignoriert. """ try: - logger.info("Extrahiere Ergebnisse mit dem finalen, optimierten Ansatz...") + logger.info("Extrahiere Ergebnisse mit dem finalen, direkten Selektor-Ansatz...") results = [] # 1. Warten, bis die erste Daten-Zelle (Firmenname) sichtbar ist. @@ -129,28 +128,25 @@ class DealfrontScraper: 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 sichtbaren Firmennamen-Link enthalten. - # Dieser XPath ist extrem robust. - 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.") + # 2. Finde ALLE Firmen-Links und ALLE Website-Links auf der Seite auf einmal. + # Das ist extrem schnell, da es nur zwei Suchbefehle an den Browser sind. + company_elements = self.driver.find_elements(By.CSS_SELECTOR, "td.sticky-column a.t-highlight-text") + website_elements = self.driver.find_elements(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text") - for row in rows: - 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 scheinbar validen Zeile nicht extrahieren: {e}") - continue + logger.info(f"{len(company_elements)} Firmennamen und {len(website_elements)} Webseiten-Elemente gefunden.") + + # 3. Ordne die Ergebnisse anhand ihrer Reihenfolge im DOM zu. + if not company_elements: + logger.warning("Keine Firmen mit dem angegebenen Selektor gefunden.") + self._save_debug_artifacts() + return [] + + for i in range(len(company_elements)): + company_name = company_elements[i].get_attribute("title").strip() + # Wir ordnen die Webseite anhand des Indexes zu. + # Wenn es weniger Webseiten als Firmen gibt, fangen wir das ab. + website = website_elements[i].text.strip() if i < len(website_elements) else "N/A" + results.append({'name': company_name, 'website': website}) logger.info(f"Extraktion abgeschlossen. {len(results)} Firmen verarbeitet.") return results