dealfront_enrichment.py aktualisiert
This commit is contained in:
@@ -62,10 +62,16 @@ class DealfrontScraper:
|
||||
return None, None
|
||||
|
||||
def _save_debug_artifacts(self, suffix=""):
|
||||
# (Diese Methode bleibt unverändert)
|
||||
pass
|
||||
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}")
|
||||
|
||||
# --- WIEDERHERGESTELLTE METHODEN ---
|
||||
def login(self):
|
||||
try:
|
||||
logger.info(f"Navigiere zur Login-Seite: {Config.LOGIN_URL}")
|
||||
@@ -75,18 +81,15 @@ class DealfrontScraper:
|
||||
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
|
||||
# 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
|
||||
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
|
||||
self._save_debug_artifacts("login_stuck")
|
||||
return False
|
||||
except Exception as e:
|
||||
logger.critical("Login-Prozess fehlgeschlagen.", exc_info=True)
|
||||
self._save_debug_artifacts()
|
||||
self._save_debug_artifacts("login_exception")
|
||||
return False
|
||||
|
||||
def navigate_and_load_search(self, search_name):
|
||||
@@ -98,159 +101,72 @@ class DealfrontScraper:
|
||||
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.")
|
||||
logger.info("Suche geladen. Warte auf das Rendern der 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()
|
||||
self._save_debug_artifacts("navigation_or_search_load")
|
||||
return False
|
||||
|
||||
# --- METHODE AUS DEM LETZTEN ERFOLGREICHEN VERSUCH ---
|
||||
def extract_current_page_results(self):
|
||||
"""
|
||||
Extrahiert Daten NUR aus den sichtbaren Ergebniszeilen und optimiert die Wartezeiten.
|
||||
"""
|
||||
try:
|
||||
logger.info("Extrahiere Ergebnisse mit dem finalen, präzisen Selektor...")
|
||||
results = []
|
||||
|
||||
# 1. Warten, bis die erste Daten-Zelle (Firmenname) sichtbar ist.
|
||||
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 Firmennamen-Link enthalten.
|
||||
# Dieser XPath ist extrem robust und filtert "Geister"-Zeilen heraus.
|
||||
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.")
|
||||
|
||||
for row in rows:
|
||||
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:
|
||||
# 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 validen Zeile nicht extrahieren: {e}")
|
||||
continue
|
||||
|
||||
logger.info(f"Extraktion abgeschlossen. {len(results)} Firmen verarbeitet.")
|
||||
return results
|
||||
|
||||
except Exception as e:
|
||||
logger.error(f"Schwerwiegender Fehler bei der Extraktion: {type(e).__name__}", exc_info=True)
|
||||
self._save_debug_artifacts()
|
||||
return []
|
||||
|
||||
# --- NEUE METHODE FÜR PAGINIERUNG ---
|
||||
def scrape_all_pages(self):
|
||||
"""
|
||||
Iteriert durch alle Ergebnisseiten, indem auf den 'Weiter'-Button geklickt wird.
|
||||
"""
|
||||
all_companies = []
|
||||
page_number = 1
|
||||
|
||||
while True:
|
||||
logger.info(f"--- Verarbeite Seite {page_number} ---")
|
||||
|
||||
# Warten auf die erste Datenzeile auf der aktuellen Seite
|
||||
company_name_selector = (By.CSS_SELECTOR, "td.sticky-column a.t-highlight-text")
|
||||
self.wait.until(EC.visibility_of_element_located(company_name_selector))
|
||||
|
||||
# Daten der aktuellen Seite extrahieren
|
||||
page_results = self.extract_current_page_results()
|
||||
if not page_results:
|
||||
logger.warning("Konnte keine Ergebnisse auf der aktuellen Seite extrahieren.")
|
||||
break # Stoppen, wenn keine Daten gefunden wurden
|
||||
|
||||
all_companies.extend(page_results)
|
||||
logger.info(f"Seite {page_number}: {len(page_results)} Firmen gefunden. Gesamt: {len(all_companies)}")
|
||||
|
||||
# Weiter-Button finden
|
||||
# Wir suchen nach einem Link, der ein SVG-Icon mit der Klasse 'fa-angle-right' enthält.
|
||||
next_page_button_selector = (By.CSS_SELECTOR, "a.eb-pagination-button:not([disabled]) > svg.fa-angle-right")
|
||||
|
||||
try:
|
||||
next_button = self.wait.until(EC.element_to_be_clickable(next_page_button_selector))
|
||||
|
||||
# Prüfen, ob der Button wirklich klickbar ist und nicht nur vorhanden
|
||||
if next_button.is_displayed() and next_button.is_enabled():
|
||||
logger.info("Weiter-Button gefunden und klickbar. Klicke auf Weiter...")
|
||||
self.driver.execute_script("arguments[0].click();", next_button)
|
||||
page_number += 1
|
||||
|
||||
# Nach dem Klicken auf "Weiter" warten wir wieder auf das Erscheinen des ersten Elements der NEUEN Seite.
|
||||
# Das ist robuster als eine feste Zeit.
|
||||
self.wait.until(EC.visibility_of_element_located(company_name_selector))
|
||||
logger.info("Neue Seite geladen.")
|
||||
else:
|
||||
logger.info("Weiter-Button ist vorhanden, aber deaktiviert. Letzte Seite erreicht.")
|
||||
break
|
||||
except TimeoutException:
|
||||
logger.info("Kein klickbarer 'Weiter'-Button gefunden. Letzte Seite erreicht.")
|
||||
break
|
||||
website = row.find_element(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text").text.strip()
|
||||
except NoSuchElementException:
|
||||
logger.info("Kein 'Weiter'-Button gefunden. Letzte Seite erreicht.")
|
||||
break
|
||||
except Exception as e:
|
||||
logger.error(f"Unerwarteter Fehler beim Navigieren zur nächsten Seite: {e}")
|
||||
self._save_debug_artifacts()
|
||||
break
|
||||
|
||||
return all_companies
|
||||
pass
|
||||
results.append({'name': name, 'website': website})
|
||||
except NoSuchElementException:
|
||||
continue
|
||||
return results
|
||||
|
||||
# Die extract_current_page_results Methode bleibt, wie sie zuletzt war, mit den robusten Selektoren
|
||||
def extract_current_page_results(self):
|
||||
"""
|
||||
Extrahiert Daten NUR aus den sichtbaren Ergebniszeilen und optimiert die Wartezeiten.
|
||||
"""
|
||||
try:
|
||||
logger.info("Extrahiere Ergebnisse von der aktuellen Seite...")
|
||||
results = []
|
||||
def scrape_all_pages(self):
|
||||
all_companies = {}
|
||||
page_number = 1
|
||||
while True:
|
||||
logger.info(f"--- Verarbeite Seite {page_number} ---")
|
||||
|
||||
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))
|
||||
self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table")))
|
||||
|
||||
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)
|
||||
|
||||
if not rows:
|
||||
logger.warning("Keine gültigen Datenzeilen gefunden.")
|
||||
return []
|
||||
try:
|
||||
first_row_id = self.driver.find_element(By.CSS_SELECTOR, "table#t-result-table tbody tr[id]").get_attribute("id")
|
||||
except NoSuchElementException:
|
||||
logger.warning("Konnte keine Datenzeilen auf der Seite finden. Beende Paginierung.")
|
||||
break
|
||||
|
||||
for row in rows:
|
||||
try:
|
||||
company_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': company_name, 'website': website})
|
||||
except NoSuchElementException:
|
||||
logger.warning("Konnte Daten aus einer Zeile nicht extrahieren.")
|
||||
continue
|
||||
page_results = self.extract_current_page_results()
|
||||
if not page_results and page_number > 1:
|
||||
logger.info("Keine weiteren Ergebnisse auf der Seite extrahiert. Paginierung abgeschlossen.")
|
||||
break
|
||||
|
||||
for company in page_results:
|
||||
if company.get('website') != 'N/A' and company.get('website'):
|
||||
all_companies[company['website']] = company
|
||||
|
||||
logger.info(f"{len(results)} Firmen extrahiert.")
|
||||
return results
|
||||
|
||||
except Exception as e:
|
||||
logger.error(f"Fehler bei der Extraktion: {type(e).__name__}", exc_info=True)
|
||||
self._save_debug_artifacts()
|
||||
return []
|
||||
logger.info(f"Seite {page_number}: {len(page_results)} Firmen gefunden. Gesamt einzigartig: {len(all_companies)}")
|
||||
|
||||
try:
|
||||
next_button = self.wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, "a.eb-pagination-button:not(.disabled) svg[data-icon='angle-right']")))
|
||||
self.driver.execute_script("arguments[0].click();", next_button)
|
||||
page_number += 1
|
||||
|
||||
# Warten, bis die alte erste Zeile verschwunden ist
|
||||
self.wait.until(EC.staleness_of(self.driver.find_element(By.ID, first_row_id)))
|
||||
except TimeoutException:
|
||||
logger.info("Kein klickbarer 'Weiter'-Button mehr gefunden. Paginierung abgeschlossen.")
|
||||
break
|
||||
|
||||
return list(all_companies.values())
|
||||
|
||||
def close(self):
|
||||
if self.driver:
|
||||
self.driver.quit()
|
||||
logger.info("WebDriver geschlossen.")
|
||||
|
||||
if __name__ == "__main__":
|
||||
scraper = None
|
||||
|
||||
Reference in New Issue
Block a user