dealfront_enrichment.py aktualisiert
This commit is contained in:
@@ -151,46 +151,102 @@ class DealfrontScraper:
|
||||
return []
|
||||
|
||||
# --- NEUE METHODE FÜR PAGINIERUNG ---
|
||||
def scrape_all_pages(self):
|
||||
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, bis die Tabelle sichtbar ist
|
||||
self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table")))
|
||||
# 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))
|
||||
|
||||
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
|
||||
|
||||
# Daten der aktuellen Seite extrahieren
|
||||
page_results = self.extract_current_page_results()
|
||||
if not page_results:
|
||||
logger.info("Keine Ergebnisse auf dieser Seite extrahiert. Paginierung abgeschlossen.")
|
||||
break
|
||||
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"Bisher {len(all_companies)} Firmen insgesamt gefunden.")
|
||||
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.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.")
|
||||
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
|
||||
|
||||
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.")
|
||||
except TimeoutException:
|
||||
logger.info("Kein klickbarer 'Weiter'-Button gefunden. Letzte Seite erreicht.")
|
||||
break
|
||||
|
||||
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
|
||||
|
||||
# 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 = []
|
||||
|
||||
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))
|
||||
|
||||
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 []
|
||||
|
||||
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
|
||||
|
||||
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 []
|
||||
|
||||
def close(self):
|
||||
if self.driver:
|
||||
self.driver.quit()
|
||||
|
||||
Reference in New Issue
Block a user