dealfront_enrichment.py aktualisiert
This commit is contained in:
@@ -2,294 +2,218 @@ import os
|
||||
import json
|
||||
import time
|
||||
import logging
|
||||
import pandas as pd
|
||||
from selenium import webdriver
|
||||
from selenium.webdriver.common.by import By
|
||||
from selenium.webdriver.chrome.service import Service
|
||||
from selenium.webdriver.chrome.options import Options as ChromeOptions
|
||||
from selenium.webdriver.support.ui import WebDriverWait
|
||||
from selenium.webdriver.support import expected_conditions as EC
|
||||
from selenium.common.exceptions import TimeoutException, NoSuchElementException
|
||||
from selenium.webdriver.common.keys import Keys
|
||||
import pandas as pd
|
||||
|
||||
# Importiere Konfigurationen
|
||||
from config import Config, DEALFRONT_LOGIN_URL, DEALFRONT_CREDENTIALS_FILE, DEALFRONT_TARGET_URL, TARGET_SEARCH_NAME
|
||||
|
||||
# Definiere einen festen Ausgabeordner, der im Dockerfile erstellt wird
|
||||
OUTPUT_DIR = "/app/output"
|
||||
|
||||
# Logging-Konfiguration
|
||||
LOG_LEVEL = logging.INFO # Wir setzen den Standard auf INFO für eine saubere Ausgabe
|
||||
LOG_LEVEL = logging.INFO
|
||||
LOG_FORMAT = '%(asctime)s - %(levelname)-8s - %(name)-25s - %(message)s'
|
||||
|
||||
# Root-Logger für die Konsolenausgabe konfigurieren
|
||||
logging.basicConfig(level=LOG_LEVEL, format=LOG_FORMAT, force=True, handlers=[logging.StreamHandler()])
|
||||
|
||||
# Selenium-Logger auf WARNING setzen, um den Spam zu unterdrücken
|
||||
logging.getLogger("selenium").setLevel(logging.WARNING)
|
||||
|
||||
# Eigener Logger für unser Skript
|
||||
logging.getLogger("selenium").setLevel(logging.WARNING) # Selenium-Spam reduzieren
|
||||
logger = logging.getLogger(__name__)
|
||||
|
||||
# FileHandler hinzufügen, um ALLES (inkl. DEBUG) in eine .txt-Datei zu schreiben
|
||||
# Wichtig: Dieser Handler hat sein eigenes Level (DEBUG), um alles zu erfassen.
|
||||
# FileHandler hinzufügen, um in eine .txt-Datei zu loggen
|
||||
log_filename = f"dealfront_run_{time.strftime('%Y%m%d-%H%M%S')}.txt"
|
||||
log_filepath = os.path.join(OUTPUT_DIR, log_filename)
|
||||
file_handler = logging.FileHandler(log_filepath, mode='w', encoding='utf-8')
|
||||
file_handler.setLevel(logging.DEBUG) # Alles in die Datei schreiben
|
||||
file_handler.setFormatter(logging.Formatter(LOG_FORMAT))
|
||||
logging.getLogger().addHandler(file_handler)
|
||||
try:
|
||||
file_handler = logging.FileHandler(log_filepath, mode='w', encoding='utf-8')
|
||||
file_handler.setLevel(logging.DEBUG) # Alles in die Datei schreiben
|
||||
file_handler.setFormatter(logging.Formatter(LOG_FORMAT))
|
||||
logging.getLogger().addHandler(file_handler)
|
||||
logger.info(f"Logging konfiguriert. Konsole auf Level {logging.getLevelName(LOG_LEVEL)}. Log-Datei: {log_filepath}")
|
||||
except FileNotFoundError:
|
||||
logger.error(f"Konnte Log-Datei nicht erstellen. Das Verzeichnis '{OUTPUT_DIR}' existiert möglicherweise nicht im Container.")
|
||||
logger.error("Stellen Sie sicher, dass das Volume-Mapping korrekt ist: -v \"$(pwd)/output:/app/output\"")
|
||||
|
||||
logger.info(f"Logging konfiguriert. Konsolenausgabe auf Level {logging.getLevelName(LOG_LEVEL)}. Log-Datei: {log_filepath}")
|
||||
|
||||
OUTPUT_DIR = "/app/output"
|
||||
|
||||
class DealfrontScraper:
|
||||
"""
|
||||
Kapselt alle Interaktionen mit der Dealfront-Plattform mittels Selenium.
|
||||
"""
|
||||
def __init__(self):
|
||||
"""
|
||||
Initialisiert den WebDriver und den WebDriverWait.
|
||||
Verwendet explizit den im Dockerfile installierten chromedriver.
|
||||
"""
|
||||
logger.info("Initialisiere den DealfrontScraper und den Chrome WebDriver.")
|
||||
logger.info("Initialisiere den DealfrontScraper...")
|
||||
chrome_options = ChromeOptions()
|
||||
|
||||
# Lade-Optimierungen und Headless-Argumente
|
||||
prefs = {"profile.managed_default_content_settings.images": 2}
|
||||
chrome_options.add_experimental_option("prefs", prefs)
|
||||
chrome_options.add_argument("--headless")
|
||||
chrome_options.add_argument("--no-sandbox")
|
||||
chrome_options.add_argument("--disable-dev-shm-usage")
|
||||
chrome_options.add_argument("--window-size=1920,1080")
|
||||
chrome_options.add_argument("--disable-blink-features=AutomationControlled")
|
||||
chrome_options.add_experimental_option("excludeSwitches", ["enable-automation"])
|
||||
chrome_options.add_experimental_option('useAutomationExtension', False)
|
||||
|
||||
# --- ENTSCHEIDENDE ÄNDERUNG ---
|
||||
# Wir geben den Pfad zum funktionierenden, system-installierten Treiber explizit an.
|
||||
# Dies umgeht den fehlerhaften webdriver-manager vollständig.
|
||||
from selenium.webdriver.chrome.service import Service
|
||||
# Service-Objekt, das explizit den system-installierten Treiber verwendet
|
||||
service = Service(executable_path='/usr/bin/chromedriver')
|
||||
|
||||
try:
|
||||
self.driver = webdriver.Chrome(service=service, options=chrome_options)
|
||||
self.driver.execute_script("Object.defineProperty(navigator, 'webdriver', {get: () => undefined})")
|
||||
except Exception as e:
|
||||
logger.critical(f"WebDriver konnte nicht initialisiert werden. Fehler: {e}", exc_info=True)
|
||||
self.driver = None
|
||||
raise
|
||||
|
||||
self.wait = WebDriverWait(self.driver, 30)
|
||||
self.username, self.password = self._load_credentials()
|
||||
logger.info("WebDriver erfolgreich initialisiert.")
|
||||
|
||||
def _load_credentials(self):
|
||||
# (Diese Methode bleibt unverändert)
|
||||
try:
|
||||
with open(DEALFRONT_CREDENTIALS_FILE, 'r') as f:
|
||||
creds = json.load(f)
|
||||
username = creds.get("username")
|
||||
password = creds.get("password")
|
||||
if not username or "DEIN_DEALFRONT_BENUTZERNAME" in username or not password or "DEIN_DEALFRONT_PASSWORT" in password:
|
||||
if not username or "DEIN_DEALFRONT_BENUTZERNAME" in username or not password:
|
||||
logger.error(f"Zugangsdaten in '{DEALFRONT_CREDENTIALS_FILE}' sind ungültig.")
|
||||
return None, None
|
||||
return username, password
|
||||
except FileNotFoundError:
|
||||
logger.error(f"Credentials-Datei nicht gefunden: '{DEALFRONT_CREDENTIALS_FILE}'")
|
||||
return None, None
|
||||
except json.JSONDecodeError:
|
||||
logger.error(f"Fehler beim Parsen der Credentials-Datei: '{DEALFRONT_CREDENTIALS_FILE}'")
|
||||
return None, None
|
||||
return None, None
|
||||
|
||||
def _save_debug_artifacts(self):
|
||||
# (Diese Methode bleibt unverändert, aber mit neuem Namen)
|
||||
try:
|
||||
os.makedirs(OUTPUT_DIR, exist_ok=True)
|
||||
timestamp = time.strftime("%Y%m%d-%H%M%S")
|
||||
|
||||
screenshot_filepath = os.path.join(OUTPUT_DIR, f"error_{timestamp}.png")
|
||||
html_filepath = os.path.join(OUTPUT_DIR, f"error_{timestamp}.html")
|
||||
self.driver.save_screenshot(screenshot_filepath)
|
||||
logger.error(f"Screenshot '{screenshot_filepath}' wurde für die Analyse gespeichert.")
|
||||
|
||||
html_filepath = os.path.join(OUTPUT_DIR, f"error_{timestamp}.html")
|
||||
with open(html_filepath, "w", encoding="utf-8") as f:
|
||||
f.write(self.driver.page_source)
|
||||
logger.error(f"HTML-Quellcode '{html_filepath}' wurde für die Analyse gespeichert.")
|
||||
except Exception as e:
|
||||
logger.error(f"Konnte Debug-Artefakte nicht speichern: {e}")
|
||||
|
||||
def login_and_find_list(self, search_name):
|
||||
"""
|
||||
Führt den gesamten Prozess vom Login bis zum Laden der Zielliste robust aus.
|
||||
"""
|
||||
try:
|
||||
# === LOGIN ===
|
||||
logger.info(f"Navigiere zur Login-Seite: {DEALFRONT_LOGIN_URL}")
|
||||
self.driver.get(DEALFRONT_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.")
|
||||
def login_and_find_list(self, search_name):
|
||||
"""Führt den gesamten Prozess vom Login bis zum Laden der Zielliste robust aus."""
|
||||
try:
|
||||
# === LOGIN ===
|
||||
logger.info(f"Navigiere zur Login-Seite: {DEALFRONT_LOGIN_URL}")
|
||||
self.driver.get(DEALFRONT_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.")
|
||||
|
||||
# === NAVIGATION ZUM TARGET BEREICH ===
|
||||
logger.info("Warte auf Dashboard und den 'Prospects finden' Quick-Link...")
|
||||
# Wir warten geduldig (bis zu 30s) auf die Kachel, die uns zur Target-Seite bringt
|
||||
prospects_link_selector = (By.XPATH, "//a[@data-test-target-product-tile]")
|
||||
prospects_link = self.wait.until(EC.element_to_be_clickable(prospects_link_selector))
|
||||
prospects_link.click()
|
||||
logger.info("'Prospects finden' geklickt. Navigiere zur Target-Seite.")
|
||||
|
||||
# === LADEN DER SPEZIFISCHEN SUCHE ===
|
||||
logger.info(f"Warte auf die Liste der Suchen und klicke auf '{search_name}'...")
|
||||
search_item_selector = (By.XPATH, f"//div[contains(@class, 'truncate') and normalize-space()='{search_name}']")
|
||||
search_item = self.wait.until(EC.element_to_be_clickable(search_item_selector))
|
||||
search_item.click()
|
||||
|
||||
# === VERIFIZIERUNG UND WARTEN AUF TABELLENDATEN ===
|
||||
logger.info(f"Suche '{search_name}' geladen. Warte auf das Rendern der Ergebnistabelle.")
|
||||
table_header_selector = (By.XPATH, "//th[normalize-space()='Firma']")
|
||||
self.wait.until(EC.visibility_of_element_located(table_header_selector))
|
||||
time.sleep(5) # Finale, großzügige Pause für das Laden der Tabellen-Daten via JS
|
||||
|
||||
logger.info("Zielseite mit Ergebnissen erfolgreich erreicht.")
|
||||
return True
|
||||
# === NAVIGATION ZUM TARGET BEREICH ===
|
||||
logger.info("Warte auf Dashboard und den 'Prospects finden' Quick-Link...")
|
||||
prospects_link_selector = (By.XPATH, "//a[@data-test-target-product-tile]")
|
||||
prospects_link = self.wait.until(EC.element_to_be_clickable(prospects_link_selector))
|
||||
prospects_link.click()
|
||||
logger.info("'Prospects finden' geklickt.")
|
||||
|
||||
# === LADEN DER SPEZIFISCHEN SUCHE ===
|
||||
logger.info(f"Warte auf die Liste der Suchen und klicke auf '{search_name}'...")
|
||||
search_item_selector = (By.XPATH, f"//div[contains(@class, 'truncate') and normalize-space()='{search_name}']")
|
||||
search_item = self.wait.until(EC.element_to_be_clickable(search_item_selector))
|
||||
search_item.click()
|
||||
|
||||
# === VERIFIZIERUNG UND WARTEN AUF TABELLENDATEN ===
|
||||
logger.info(f"Suche '{search_name}' geladen. Warte auf das Rendern der Ergebnistabelle.")
|
||||
table_header_selector = (By.XPATH, "//th[normalize-space()='Firma']")
|
||||
self.wait.until(EC.visibility_of_element_located(table_header_selector))
|
||||
time.sleep(5)
|
||||
|
||||
logger.info("Zielseite mit Ergebnissen erfolgreich erreicht.")
|
||||
return True
|
||||
except Exception as e:
|
||||
logger.critical(f"Der Prozess vom Login bis zum Finden der Liste ist fehlgeschlagen: {type(e).__name__}", exc_info=True)
|
||||
self._save_debug_artifacts()
|
||||
return False
|
||||
|
||||
except Exception as e:
|
||||
logger.critical(f"Der Prozess ist fehlgeschlagen: {type(e).__name__}", exc_info=True)
|
||||
self._save_debug_artifacts() # Speichert Screenshot und HTML für die Analyse
|
||||
return False
|
||||
|
||||
|
||||
def handle_overlays(self):
|
||||
"""Sucht nach bekannten Popups/Overlays und schließt sie."""
|
||||
try:
|
||||
# Wir geben der Seite einen Moment, um mögliche Popups zu laden.
|
||||
# Timeout auf 5 Sekunden gesetzt, da wir nicht ewig warten wollen.
|
||||
short_wait = WebDriverWait(self.driver, 5)
|
||||
|
||||
# Selektor für den Schließen-Button (das 'x') des CRM-Popups
|
||||
# Der XPath sucht nach einem beliebigen Button, der ein SVG-Icon mit einer passenden "d"-Path-Definition enthält.
|
||||
# Dies ist sehr robust gegen Klassen-Änderungen.
|
||||
close_button_xpath = "//button[@aria-label='Schließen' or @aria-label='Close'] | //div[contains(@class, 't-prospector-backdrop')]//button"
|
||||
|
||||
close_button_xpath = "//button[@aria-label='Schließen' or @aria-label='Close']"
|
||||
logger.info("Suche nach bekannten Overlays/Popups...")
|
||||
close_button = short_wait.until(EC.element_to_be_clickable((By.XPATH, close_button_xpath)))
|
||||
|
||||
logger.info("Schließen-Button für Overlay gefunden. Klicke darauf.")
|
||||
close_button.click()
|
||||
time.sleep(1) # Kurze Pause, damit das Overlay verschwindet.
|
||||
|
||||
time.sleep(1)
|
||||
except TimeoutException:
|
||||
# Das ist der Normalfall, wenn kein Popup da ist.
|
||||
logger.info("Kein Overlay/Popup gefunden. Fahre fort.")
|
||||
except Exception as e:
|
||||
logger.warning(f"Fehler beim Schließen des Overlays, ignoriere und fahre fort: {e}")
|
||||
self._save_debug_artifacts()
|
||||
|
||||
def extract_current_page_results(self):
|
||||
"""
|
||||
Extrahiert Firmennamen und Webseiten direkt von der Seite
|
||||
mithilfe der verifizierten, präzisen CSS-Selektoren.
|
||||
"""
|
||||
try:
|
||||
logger.info("Extrahiere Ergebnisse von der aktuellen Seite...")
|
||||
results = []
|
||||
|
||||
# Warten, bis das erste Element, das wir suchen (ein Firmenname), vorhanden ist.
|
||||
# Das ist ein stabiler Indikator, dass die Liste geladen ist.
|
||||
company_name_selector = ".sticky-column a.t-highlight-text"
|
||||
logger.info(f"Warte auf das erste Firmenelement mit Selektor: '{company_name_selector}'")
|
||||
self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, company_name_selector)))
|
||||
|
||||
# Kurze, feste Pause, damit alle Elemente vollständig gerendert werden können.
|
||||
time.sleep(3)
|
||||
|
||||
# === DIREKTE EXTRAKTION ALLER ELEMENTE MIT IHREN SELEKTOREN ===
|
||||
company_elements = self.driver.find_elements(By.CSS_SELECTOR, company_name_selector)
|
||||
website_elements = self.driver.find_elements(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text")
|
||||
|
||||
logger.info(f"{len(company_elements)} Firmennamen und {len(website_elements)} Webseiten-Elemente gefunden.")
|
||||
|
||||
if not company_elements:
|
||||
logger.warning("Keine Firmen mit dem angegebenen Selektor gefunden. Speichere Debug-Artefakte.")
|
||||
self._save_debug_artifacts()
|
||||
return []
|
||||
|
||||
# Wir iterieren über die gefundenen Firmen-Elemente
|
||||
for i, company_element in enumerate(company_elements):
|
||||
try:
|
||||
# Firmenname aus dem 'title'-Attribut extrahieren (verhindert abgeschnittenen Text)
|
||||
company_name = company_element.get_attribute("title").strip()
|
||||
|
||||
# Zugehörige Webseite finden, indem wir von der Zeile (tr) des Firmen-Elements ausgehen
|
||||
row = company_element.find_element(By.XPATH, "./ancestor::tr")
|
||||
website_element = row.find_element(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text")
|
||||
website = website_element.text.strip()
|
||||
|
||||
if company_name and website:
|
||||
results.append({'name': company_name, 'website': website})
|
||||
else:
|
||||
logger.warning(f"Zeile {i+1}: Unvollständige Daten (Name: '{company_name}', Webseite: '{website}').")
|
||||
|
||||
except NoSuchElementException:
|
||||
logger.warning(f"Zeile {i+1}: Konnte Webseite für Firma '{company_name}' nicht finden. Überspringe.")
|
||||
continue
|
||||
|
||||
logger.info(f"Extraktion abgeschlossen. {len(results)} Firmen erfolgreich zugeordnet.")
|
||||
return results
|
||||
|
||||
except Exception as e:
|
||||
logger.error(f"Ein schwerwiegender Fehler ist bei der Extraktion der Ergebnisse aufgetreten: {type(e).__name__}", exc_info=True)
|
||||
self._save_debug_artifacts()
|
||||
def extract_current_page_results(self):
|
||||
"""Extrahiert die Firmennamen und Webseiten."""
|
||||
try:
|
||||
logger.info("Extrahiere Ergebnisse von der aktuellen Seite...")
|
||||
results = []
|
||||
rows_selector = (By.CSS_SELECTOR, "table#t-result-table tbody tr[id]")
|
||||
self.wait.until(EC.presence_of_element_located(rows_selector))
|
||||
time.sleep(3)
|
||||
rows = self.driver.find_elements(*rows_selector)
|
||||
if not rows:
|
||||
logger.warning("Keine Ergebniszeilen (tr[id]) gefunden.")
|
||||
return []
|
||||
logger.info(f"{len(rows)} Firmen-Datenzeilen zur Verarbeitung gefunden.")
|
||||
for i, row in enumerate(rows, 1):
|
||||
try:
|
||||
company_name = row.find_element(By.CSS_SELECTOR, ".sticky-column a.t-highlight-text").get_attribute("title").strip()
|
||||
website = row.find_element(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text").text.strip()
|
||||
results.append({'name': company_name, 'website': website})
|
||||
except NoSuchElementException:
|
||||
logger.warning(f"Zeile {i}: Name oder Webseite nicht extrahierbar. Überspringe.")
|
||||
continue
|
||||
logger.info(f"Extraktion abgeschlossen. {len(results)} Firmen gefunden.")
|
||||
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 []
|
||||
|
||||
def close(self):
|
||||
if self.driver:
|
||||
logger.info("Schließe den WebDriver.")
|
||||
self.driver.quit()
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
logger.info("Starte Dealfront Automatisierung - Finaler Durchbruchsversuch")
|
||||
|
||||
scraper = None
|
||||
try:
|
||||
scraper = DealfrontScraper()
|
||||
if not scraper.driver:
|
||||
raise Exception("WebDriver konnte nicht initialisiert werden.")
|
||||
|
||||
# Ein einziger, robuster Aufruf für den gesamten Prozess bis zur Anzeige der Ergebnistabelle
|
||||
if not scraper.login_and_find_list(Config.TARGET_SEARCH_NAME):
|
||||
# Der Fehler wird bereits innerhalb der Methode geloggt und Artefakte werden gespeichert.
|
||||
# Wir müssen hier nur noch den Prozess beenden.
|
||||
raise Exception("Der Prozess vom Login bis zum Laden der Liste ist fehlgeschlagen. Details siehe Log.")
|
||||
|
||||
# Wenn wir hier ankommen, sind wir garantiert auf der richtigen Seite.
|
||||
# Jetzt extrahieren wir die Daten.
|
||||
scraper.handle_overlays()
|
||||
|
||||
companies = scraper.extract_current_page_results()
|
||||
|
||||
# Saubere Ausgabe der Ergebnisse in einer Tabelle
|
||||
if companies:
|
||||
df = pd.DataFrame(companies)
|
||||
|
||||
# Pandas-Optionen für eine vollständige, ungeschnittene Ausgabe
|
||||
pd.set_option('display.max_rows', None)
|
||||
pd.set_option('display.max_columns', None)
|
||||
pd.set_option('display.width', 1000)
|
||||
pd.set_option('display.max_colwidth', None)
|
||||
|
||||
print("\n" + "="*80)
|
||||
print(" EXTRAHIERTE FIRMEN (ERSTE SEITE) ".center(80, "="))
|
||||
print("="*80)
|
||||
print(df.to_string(index=False))
|
||||
print("="*80 + "\n")
|
||||
|
||||
logger.info(f"{len(df)} Firmen erfolgreich extrahiert und in der Konsole ausgegeben.")
|
||||
|
||||
else:
|
||||
logger.warning("Obwohl die Seite geladen wurde, konnten keine Firmen extrahiert werden. Bitte HTML-Dump prüfen.")
|
||||
|
||||
logger.info("Phase 2a Test erfolgreich abgeschlossen. Warte vor dem Schließen...")
|
||||
time.sleep(10)
|
||||
|
||||
except Exception as e:
|
||||
# Hier fangen wir nur noch die Exceptions aus dem __main__-Block selbst
|
||||
logger.critical(f"Ein kritischer Fehler ist im Hauptprozess aufgetreten: {e}", exc_info=False)
|
||||
finally:
|
||||
if scraper:
|
||||
scraper.close()
|
||||
|
||||
logger.info("Dealfront Automatisierung beendet.")
|
||||
Reference in New Issue
Block a user