273 lines
13 KiB
Python
273 lines
13 KiB
Python
import os
|
|
import json
|
|
import time
|
|
import logging
|
|
from selenium import webdriver
|
|
from selenium.webdriver.common.by import By
|
|
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
|
|
|
|
# Wichtig: Die zentralen Imports zuerst
|
|
from config import Config, DEALFRONT_LOGIN_URL, DEALFRONT_CREDENTIALS_FILE, DEALFRONT_TARGET_URL
|
|
|
|
# Logging-Konfiguration, eigenständig für dieses Skript
|
|
LOG_LEVEL = logging.DEBUG if Config.DEBUG else logging.INFO
|
|
LOG_FORMAT = '%(asctime)s - %(levelname)-8s - %(name)-25s - %(message)s'
|
|
logging.basicConfig(level=LOG_LEVEL, format=LOG_FORMAT, force=True)
|
|
logger = logging.getLogger(__name__)
|
|
|
|
# Definiere einen festen Ausgabeordner, der im Dockerfile erstellt wird
|
|
OUTPUT_DIR = "/app/output"
|
|
|
|
class DealfrontScraper:
|
|
def __init__(self):
|
|
logger.info("Initialisiere den DealfrontScraper und den Chrome WebDriver.")
|
|
chrome_options = ChromeOptions()
|
|
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)
|
|
|
|
try:
|
|
self.driver = webdriver.Chrome(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, 20)
|
|
logger.info("WebDriver erfolgreich initialisiert.")
|
|
|
|
def _load_credentials(self):
|
|
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:
|
|
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
|
|
|
|
def _save_debug_artifacts(self):
|
|
"""Speichert einen Screenshot UND den HTML-Quellcode im Fehlerfall."""
|
|
try:
|
|
os.makedirs(OUTPUT_DIR, exist_ok=True)
|
|
timestamp = time.strftime("%Y%m%d-%H%M%S")
|
|
|
|
# 1. Screenshot speichern
|
|
screenshot_filepath = os.path.join(OUTPUT_DIR, f"error_{timestamp}.png")
|
|
self.driver.save_screenshot(screenshot_filepath)
|
|
logger.error(f"Screenshot '{screenshot_filepath}' wurde für die Analyse gespeichert.")
|
|
|
|
# 2. HTML-Quellcode speichern
|
|
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_navigate_to_target(self):
|
|
"""
|
|
Führt den Login durch UND navigiert direkt zur Target-Seite.
|
|
Gibt nur True zurück, wenn BEIDE Schritte erfolgreich sind.
|
|
"""
|
|
if not self.driver:
|
|
return False
|
|
|
|
username, password = self._load_credentials()
|
|
if not username or not password:
|
|
return False
|
|
|
|
try:
|
|
# --- SCHRITT 1: LOGIN ---
|
|
logger.info(f"Navigiere zur Login-Seite: {DEALFRONT_LOGIN_URL}")
|
|
self.driver.get(DEALFRONT_LOGIN_URL)
|
|
|
|
email_selector = (By.CSS_SELECTOR, "input[name='email']")
|
|
email_field = self.wait.until(EC.visibility_of_element_located(email_selector))
|
|
email_field.send_keys(username)
|
|
|
|
password_selector = (By.CSS_SELECTOR, "input[type='password']")
|
|
password_field = self.wait.until(EC.visibility_of_element_located(password_selector))
|
|
password_field.send_keys(password)
|
|
|
|
login_button_selector = (By.XPATH, "//button[normalize-space()='Log in']")
|
|
login_button = self.wait.until(EC.element_to_be_clickable(login_button_selector))
|
|
login_button.click()
|
|
|
|
# Login Verifizierung
|
|
verification_login_selector = (By.XPATH, "//input[@data-cy='header-search-input']")
|
|
self.wait.until(EC.visibility_of_element_located(verification_login_selector))
|
|
logger.info("Login auf Dashboard erfolgreich verifiziert.")
|
|
|
|
# --- SCHRITT 2: DIREKTE NAVIGATION ZUR TARGET-SEITE ---
|
|
logger.info(f"Navigiere jetzt direkt zur Target-URL: {Config.DEALFRONT_TARGET_URL}")
|
|
self.driver.get(Config.DEALFRONT_TARGET_URL)
|
|
|
|
# Navigation Verifizierung
|
|
url_part_to_wait_for = "/t/prospector/"
|
|
self.wait.until(EC.url_contains(url_part_to_wait_for))
|
|
logger.info(f"URL-Wechsel zu Target bestätigt. Aktuelle URL: {self.driver.current_url}")
|
|
|
|
verification_target_selector = (By.XPATH, "//button[normalize-space()='+ Neue Suche']")
|
|
self.wait.until(EC.visibility_of_element_located(verification_target_selector))
|
|
logger.info("'Target'-Seite erfolgreich und vollständig geladen.")
|
|
|
|
return True
|
|
|
|
except Exception as e:
|
|
logger.critical(f"Login- oder Navigationsprozess fehlgeschlagen: {type(e).__name__}", exc_info=True)
|
|
self._save_debug_artifacts()
|
|
return False
|
|
|
|
|
|
|
|
def navigate_to_target(self):
|
|
"""
|
|
Navigiert zum 'Target'-Bereich und verifiziert den Erfolg in drei Schritten.
|
|
Dieser Ansatz ist maximal robust gegen Timing-Probleme von SPAs.
|
|
"""
|
|
try:
|
|
# SCHRITT 1: Befehl zur Navigation geben
|
|
logger.info(f"Gebe Navigationsbefehl zur Target-URL: {Config.DEALFRONT_TARGET_URL}")
|
|
self.driver.get(Config.DEALFRONT_TARGET_URL)
|
|
|
|
# SCHRITT 2: Warten, bis die URL in der Adresszeile sich tatsächlich ändert.
|
|
# Das ist der kritischste Schritt, um zu bestätigen, dass der Navigations-Request
|
|
# vom Browser verarbeitet wurde. Wir suchen nach dem Teil "/t/prospector/".
|
|
url_part_to_wait_for = "/t/prospector/"
|
|
logger.info(f"Warte, bis die Browser-URL '{url_part_to_wait_for}' enthält...")
|
|
self.wait.until(EC.url_contains(url_part_to_wait_for))
|
|
logger.info(f"URL-Wechsel bestätigt. Aktuelle URL: {self.driver.current_url}")
|
|
|
|
# SCHRITT 3: ERST JETZT auf ein sichtbares Element auf der neuen Seite warten.
|
|
# Dies bestätigt, dass die Seite nicht nur navigiert, sondern auch gerendert wurde.
|
|
verification_selector = (By.XPATH, "//button[normalize-space()='+ Neue Suche']")
|
|
logger.info(f"Warte auf Sichtbarkeit des Verifizierungs-Elements auf der Target-Seite: {verification_selector}")
|
|
self.wait.until(EC.visibility_of_element_located(verification_selector))
|
|
|
|
logger.info("'Target'-Seite erfolgreich und vollständig geladen.")
|
|
return True
|
|
|
|
except Exception as e:
|
|
logger.critical(f"Navigation zur 'Target'-Seite endgültig fehlgeschlagen: {type(e).__name__}", exc_info=True)
|
|
self._save_debug_artifacts()
|
|
return False
|
|
|
|
|
|
def load_search(self, search_name):
|
|
"""Lädt eine vordefinierte Suche anhand ihres Namens."""
|
|
try:
|
|
logger.info(f"Suche und lade die vordefinierte Suche: '{search_name}'")
|
|
# Der XPath sucht nach einem Link, dessen Text den Suchnamen enthält
|
|
search_link_selector = (By.XPATH, f"//a[contains(., '{search_name}')] | //div[contains(., '{search_name}') and contains(@class, 'list-item')]")
|
|
search_link = self.wait.until(EC.element_to_be_clickable(search_link_selector))
|
|
search_link.click()
|
|
|
|
# Verifizieren, dass die Ergebnisse geladen sind, indem wir auf die Ergebnistabelle warten.
|
|
# Ein guter Indikator ist die Tabellenüberschrift "Firma".
|
|
results_table_header_selector = (By.XPATH, "//th[normalize-space()='Firma']")
|
|
self.wait.until(EC.visibility_of_element_located(results_table_header_selector))
|
|
logger.info(f"Suche '{search_name}' erfolgreich geladen und Ergebnisse angezeigt.")
|
|
# Eine kleine, feste Wartezeit kann helfen, damit alle Daten nachgeladen sind.
|
|
time.sleep(3)
|
|
return True
|
|
except Exception as e:
|
|
logger.critical(f"Laden der Suche '{search_name}' fehlgeschlagen: {type(e).__name__}", exc_info=True)
|
|
self._save_debug_artifacts()
|
|
return False
|
|
|
|
def extract_current_page_results(self):
|
|
"""Extrahiert die Firmennamen und Webseiten von der aktuellen Ergebnisseite."""
|
|
try:
|
|
logger.info("Extrahiere Ergebnisse von der aktuellen Seite...")
|
|
results = []
|
|
# Finde alle Zeilen in der Ergebnistabelle. Wir gehen davon aus, dass es `tr`-Elemente sind.
|
|
# Ein stabiler Selektor könnte die `data-test`-Attribute nutzen, falls vorhanden.
|
|
rows_selector = (By.XPATH, "//tbody/tr")
|
|
rows = self.driver.find_elements(*rows_selector)
|
|
|
|
if not rows:
|
|
logger.warning("Keine Ergebniszeilen auf der Seite gefunden.")
|
|
return []
|
|
|
|
logger.info(f"{len(rows)} Ergebniszeilen gefunden.")
|
|
|
|
for row in rows:
|
|
try:
|
|
# Extrahiere Firmenname und Webseite.
|
|
# Diese XPaths sind Annahmen und müssen ggf. nach Analyse des HTML angepasst werden.
|
|
company_name = row.find_element(By.XPATH, ".//td[2]//a").text.strip()
|
|
website = row.find_element(By.XPATH, ".//td[3]//a").text.strip()
|
|
|
|
if company_name and website:
|
|
results.append({'name': company_name, 'website': website})
|
|
except NoSuchElementException:
|
|
logger.warning("Konnte Name oder Webseite in einer Zeile nicht finden, überspringe Zeile.")
|
|
continue
|
|
|
|
logger.info(f"{len(results)} Firmen erfolgreich extrahiert.")
|
|
return results
|
|
except Exception as e:
|
|
logger.error(f"Fehler bei der Extraktion der Ergebnisse: {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 - Phase 2a: Suche und Extraktion")
|
|
|
|
scraper = None
|
|
try:
|
|
scraper = DealfrontScraper()
|
|
if not scraper.driver:
|
|
raise Exception("WebDriver konnte nicht initialisiert werden.")
|
|
|
|
# Führe den kombinierten Login- und Navigationsschritt aus
|
|
if not scraper.login_and_navigate_to_target():
|
|
raise Exception("Login und Navigation fehlgeschlagen.")
|
|
|
|
# Suche laden
|
|
if not scraper.load_search(Config.TARGET_SEARCH_NAME):
|
|
raise Exception(f"Laden der Suche '{Config.TARGET_SEARCH_NAME}' fehlgeschlagen.")
|
|
|
|
# Ergebnisse extrahieren
|
|
companies = scraper.extract_current_page_results()
|
|
|
|
if companies:
|
|
logger.info("===== Extrahierte Firmen (erste Seite) =====")
|
|
for company in companies:
|
|
logger.info(f" - Name: {company['name']}, Webseite: {company['website']}")
|
|
logger.info("===========================================")
|
|
else:
|
|
logger.warning("Keine Firmen auf der ersten Seite extrahiert.")
|
|
|
|
logger.info("Phase 2a Test erfolgreich abgeschlossen. Warte vor dem Schließen...")
|
|
time.sleep(10)
|
|
|
|
except Exception as e:
|
|
logger.critical(f"Ein kritischer Fehler ist im Hauptprozess aufgetreten: {e}", exc_info=False)
|
|
finally:
|
|
if scraper:
|
|
scraper.close()
|
|
|
|
logger.info("Dealfront Automatisierung beendet.") |