dealfront_enrichment.py aktualisiert
This commit is contained in:
@@ -57,138 +57,140 @@ class DealfrontScraper:
|
||||
with open(Config.CREDENTIALS_FILE, 'r', encoding='utf-8') as f:
|
||||
creds = json.load(f)
|
||||
return creds.get("username"), creds.get("password")
|
||||
except Exception:
|
||||
logger.error(f"Credentials-Datei {Config.CREDENTIALS_FILE} nicht gefunden.")
|
||||
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=""):
|
||||
# (Diese Methode bleibt unverändert)
|
||||
pass
|
||||
|
||||
# --- WIEDERHERGESTELLTE METHODEN ---
|
||||
def login(self):
|
||||
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}.*")
|
||||
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)
|
||||
# Einfache Überprüfung, ob wir weitergeleitet wurden
|
||||
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
|
||||
except Exception as e:
|
||||
logger.error(f"Konnte Debug-Artefakte nicht speichern: {e}")
|
||||
logger.critical("Login-Prozess fehlgeschlagen.", exc_info=True)
|
||||
self._save_debug_artifacts()
|
||||
return False
|
||||
|
||||
def run(self):
|
||||
# 1. LOGIN
|
||||
logger.info(f"Navigiere zu: {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 5s auf Session-Etablierung.")
|
||||
time.sleep(5)
|
||||
|
||||
# 2. NAVIGATION & SUCHE LADEN
|
||||
logger.info(f"Navigiere direkt zur Target-Seite und lade Suche: '{Config.SEARCH_NAME}'")
|
||||
self.driver.get(Config.TARGET_URL)
|
||||
self.wait.until(EC.element_to_be_clickable((By.XPATH, f"//*[normalize-space()='{Config.SEARCH_NAME}']"))).click()
|
||||
|
||||
# 3. ERGEBNISSE EXTRAHIEREN
|
||||
logger.info("Suche geladen. Extrahiere Ergebnisse der ersten Seite.")
|
||||
self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table")))
|
||||
time.sleep(3) # Letzte kurze Pause für das Rendering
|
||||
|
||||
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")
|
||||
|
||||
logger.info(f"{len(company_elements)} Firmen und {len(website_elements)} Webseiten gefunden.")
|
||||
|
||||
results = []
|
||||
for i in range(len(company_elements)):
|
||||
name = company_elements[i].get_attribute("title").strip()
|
||||
website = website_elements[i].text.strip() if i < len(website_elements) else "N/A"
|
||||
results.append({'name': name, 'website': website})
|
||||
|
||||
return results
|
||||
|
||||
def scrape_all_pages(self):
|
||||
"""
|
||||
Iteriert durch alle Ergebnisseiten, extrahiert die Daten und gibt eine Gesamtliste zurück.
|
||||
"""
|
||||
all_companies = []
|
||||
page_number = 1
|
||||
|
||||
while True:
|
||||
logger.info(f"--- Verarbeite Seite {page_number} ---")
|
||||
|
||||
# Warten, bis die Tabelle sichtbar ist
|
||||
table_selector = (By.CSS_SELECTOR, "table#t-result-table")
|
||||
self.wait.until(EC.visibility_of_element_located(table_selector))
|
||||
|
||||
# ID des ersten Eintrags merken, um Seitenwechsel zu verifizieren
|
||||
try:
|
||||
first_row_id = self.driver.find_element(By.CSS_SELECTOR, "table#t-result-table tbody tr").get_attribute("id")
|
||||
except NoSuchElementException:
|
||||
logger.warning("Konnte keine Datenzeilen auf der Seite finden. Beende Paginierung.")
|
||||
break
|
||||
|
||||
# Daten von der aktuellen Seite extrahieren
|
||||
page_results = self.extract_current_page_results()
|
||||
if not page_results:
|
||||
logger.info("Keine weiteren Ergebnisse auf der Seite gefunden. Paginierung abgeschlossen.")
|
||||
break
|
||||
all_companies.extend(page_results)
|
||||
logger.info(f"Bisher {len(all_companies)} Firmen insgesamt gefunden.")
|
||||
|
||||
# "Weiter"-Button finden und prüfen, ob er deaktiviert ist
|
||||
try:
|
||||
next_button_selector = (By.XPATH, "//a[@class='eb-pagination-button'][.//svg[contains(@class, 'fa-angle-right')]]")
|
||||
next_button = self.driver.find_element(*next_button_selector)
|
||||
|
||||
if "disabled" in next_button.get_attribute("class"):
|
||||
logger.info("'Weiter'-Button ist deaktiviert. Letzte Seite erreicht.")
|
||||
break
|
||||
|
||||
# Auf den "Weiter"-Button klicken
|
||||
next_button.click()
|
||||
logger.info(f"Auf Seite {page_number + 1} geblättert. Warte auf neue Inhalte...")
|
||||
page_number += 1
|
||||
|
||||
# Warten, bis die alte erste Zeile verschwunden ist (Staleness)
|
||||
# Dies ist der robusteste Weg, um zu bestätigen, dass die Seite neu geladen wurde.
|
||||
old_first_row = self.driver.find_element(By.ID, first_row_id)
|
||||
self.wait.until(EC.staleness_of(old_first_row))
|
||||
|
||||
except NoSuchElementException:
|
||||
logger.info("Kein 'Weiter'-Button mehr gefunden. Paginierung abgeschlossen.")
|
||||
break
|
||||
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/"))
|
||||
|
||||
return all_companies
|
||||
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.")
|
||||
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()
|
||||
return False
|
||||
|
||||
# --- METHODE AUS DEM LETZTEN ERFOLGREICHEN VERSUCH ---
|
||||
def extract_current_page_results(self):
|
||||
try:
|
||||
logger.info("Extrahiere Daten von der aktuellen Seite...")
|
||||
results = []
|
||||
rows_with_data_selector = (By.XPATH, "//table[@id='t-result-table']/tbody/tr[.//a[contains(@class, 't-highlight-text')]]")
|
||||
data_rows = self.wait.until(EC.presence_of_all_elements_located(rows_with_data_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
|
||||
except Exception as e:
|
||||
logger.error("Fehler bei der Extraktion.", exc_info=True)
|
||||
self._save_debug_artifacts()
|
||||
return []
|
||||
|
||||
# --- NEUE METHODE FÜR PAGINIERUNG ---
|
||||
def scrape_all_pages(self):
|
||||
all_companies = []
|
||||
page_number = 1
|
||||
while True:
|
||||
logger.info(f"--- Verarbeite Seite {page_number} ---")
|
||||
|
||||
# Warten, bis die Tabelle sichtbar ist
|
||||
self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table")))
|
||||
|
||||
try:
|
||||
first_row_id = self.driver.find_element(By.CSS_SELECTOR, "table#t-result-table tbody tr[id]").get_attribute("id")
|
||||
except NoSuchElementException:
|
||||
logger.info("Keine weiteren Datenzeilen auf der Seite gefunden. Beende Paginierung.")
|
||||
break
|
||||
|
||||
page_results = self.extract_current_page_results()
|
||||
if not page_results:
|
||||
logger.info("Keine Ergebnisse auf dieser Seite extrahiert. Paginierung abgeschlossen.")
|
||||
break
|
||||
all_companies.extend(page_results)
|
||||
logger.info(f"Bisher {len(all_companies)} Firmen insgesamt gefunden.")
|
||||
|
||||
try:
|
||||
next_button = self.driver.find_element(By.XPATH, "//a[@class='eb-pagination-button' and .//svg[contains(@class, 'fa-angle-right')]]")
|
||||
if "disabled" in next_button.get_attribute("class"):
|
||||
logger.info("Letzte Seite erreicht.")
|
||||
break
|
||||
|
||||
next_button.click()
|
||||
page_number += 1
|
||||
|
||||
# Warten, bis die alte erste Zeile verschwunden ist
|
||||
old_first_row = self.driver.find_element(By.ID, first_row_id)
|
||||
self.wait.until(EC.staleness_of(old_first_row))
|
||||
except NoSuchElementException:
|
||||
logger.info("Kein 'Weiter'-Button mehr gefunden. Paginierung abgeschlossen.")
|
||||
break
|
||||
|
||||
return all_companies
|
||||
|
||||
def close(self):
|
||||
if self.driver: self.driver.quit()
|
||||
if self.driver:
|
||||
self.driver.quit()
|
||||
logger.info("WebDriver geschlossen.")
|
||||
|
||||
if __name__ == "__main__":
|
||||
logger.info("Starte Dealfront Automatisierung - Paginierungstest")
|
||||
scraper = None
|
||||
try:
|
||||
scraper = DealfrontScraper()
|
||||
if not scraper.login(): raise Exception("Login-Phase fehlgeschlagen")
|
||||
if not scraper.login(): raise Exception("Login fehlgeschlagen")
|
||||
if not scraper.navigate_and_load_search(Config.SEARCH_NAME): raise Exception("Navigation/Suche fehlgeschlagen")
|
||||
|
||||
if not scraper.navigate_and_load_search(Config.SEARCH_NAME):
|
||||
raise Exception("Navigation und Laden der Suche fehlgeschlagen.")
|
||||
|
||||
# Ruft die neue Methode auf, die durch alle Seiten blättert
|
||||
all_companies = scraper.scrape_all_pages()
|
||||
|
||||
if all_companies:
|
||||
df = pd.DataFrame(all_companies)
|
||||
logger.info(f"===== Insgesamt {len(df)} Firmen auf allen Seiten extrahiert =====")
|
||||
|
||||
# Optionale Ausgabe der kompletten Liste in der Konsole
|
||||
# pd.set_option('display.max_rows', None)
|
||||
# pd.set_option('display.width', 120)
|
||||
# print(df.to_string(index=False))
|
||||
|
||||
# Speichere die Ergebnisse in einer CSV-Datei im Output-Ordner
|
||||
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 erfolgreich in '{output_csv_path}' gespeichert.")
|
||||
|
||||
logger.info(f"Ergebnisse ({len(df)} Firmen) erfolgreich in '{output_csv_path}' gespeichert.")
|
||||
else:
|
||||
logger.warning("Keine Firmen konnten extrahiert werden.")
|
||||
|
||||
@@ -197,5 +199,4 @@ if __name__ == "__main__":
|
||||
finally:
|
||||
if scraper:
|
||||
scraper.close()
|
||||
|
||||
logger.info("Dealfront Automatisierung beendet.")
|
||||
Reference in New Issue
Block a user