die letzte Version hat endlich mal mehr Ergebnisse geliefert, war aber noch nicht perfekt.
This commit is contained in:
@@ -105,34 +105,114 @@ class DealfrontScraper:
|
||||
|
||||
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
|
||||
|
||||
return all_companies
|
||||
|
||||
def close(self):
|
||||
if self.driver: self.driver.quit()
|
||||
|
||||
if __name__ == "__main__":
|
||||
logger.info("Starte Dealfront Automatisierung - Paginierungstest")
|
||||
scraper = None
|
||||
try:
|
||||
scraper = DealfrontScraper()
|
||||
companies = scraper.run()
|
||||
if not scraper.login(): raise Exception("Login-Phase fehlgeschlagen")
|
||||
|
||||
if companies:
|
||||
df = pd.DataFrame(companies)
|
||||
pd.set_option('display.max_rows', None)
|
||||
pd.set_option('display.max_columns', None)
|
||||
pd.set_option('display.width', 120)
|
||||
pd.set_option('display.max_colwidth', None)
|
||||
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 =====")
|
||||
|
||||
print("\n" + "="*80)
|
||||
print(" EXTRAHIERTE FIRMEN (ERSTE SEITE) ".center(80, "="))
|
||||
print("="*80)
|
||||
print(df.to_string(index=False))
|
||||
print("="*80 + "\n")
|
||||
logger.info("Workflow erfolgreich abgeschlossen.")
|
||||
# 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.")
|
||||
|
||||
else:
|
||||
logger.warning("Keine Firmen konnten extrahiert werden. Bitte Debug-Artefakte prüfen.")
|
||||
logger.warning("Keine Firmen konnten extrahiert werden.")
|
||||
|
||||
except Exception as e:
|
||||
logger.critical(f"Ein kritischer Fehler ist im Hauptprozess aufgetreten: {e}", exc_info=False)
|
||||
logger.critical(f"Ein kritischer Fehler ist im Hauptprozess aufgetreten: {e}", exc_info=True)
|
||||
finally:
|
||||
if scraper:
|
||||
scraper.close()
|
||||
logger.info("Dealfront Automatisierung beendet.")
|
||||
|
||||
logger.info("Dealfront Automatisierung beendet.")```
|
||||
|
||||
### Zusammenfassung der Änderungen
|
||||
|
||||
* **Paginierungslogik:** Die neue Methode `scrape_all_pages` kümmert sich um das Durchblättern der Seiten.
|
||||
* **Stabiles Warten:** Anstatt fester `time.sleep`-Pausen warten wir nun mit `EC.staleness_of`, bis die alten Daten verschwunden sind. Das ist schnell und zuverlässig.
|
||||
* **CSV-Export:** Die Ausgabe in der Konsole kann sehr lang werden. Daher werden die Ergebnisse jetzt direkt in eine **CSV-Datei** im `output`-Ordner gespeichert. Das ist sauberer und besser für die Weiterverarbeitung.
|
||||
|
||||
### Nächster Schritt
|
||||
|
||||
1. **Code ändern:** Fügen Sie die neue Methode hinzu und ersetzen Sie den `__main__`-Block.
|
||||
2. **Testlauf in der Container-Shell:**
|
||||
```bash
|
||||
python3 dealfront_enrichment.py
|
||||
```
|
||||
|
||||
**Erwartetes Ergebnis:**
|
||||
Das Skript wird Seite für Seite durchgehen und die Logs entsprechend ausgeben. Am Ende finden Sie eine neue CSV-Datei in Ihrem `output`-Ordner, die alle extrahierten Firmennamen und Webseiten enthält.
|
||||
Reference in New Issue
Block a user