300 lines
14 KiB
Python
300 lines
14 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
|
|
from selenium.webdriver.common.keys import Keys
|
|
import pandas as pd
|
|
|
|
from config import Config, DEALFRONT_LOGIN_URL, DEALFRONT_CREDENTIALS_FILE, DEALFRONT_TARGET_URL, TARGET_SEARCH_NAME
|
|
|
|
# Logging-Konfiguration
|
|
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__)
|
|
|
|
OUTPUT_DIR = "/app/output"
|
|
|
|
class DealfrontScraper:
|
|
def __init__(self):
|
|
logger.info("Initialisiere DealfrontScraper und Chrome WebDriver.")
|
|
chrome_options = ChromeOptions()
|
|
|
|
# NEU: Lade-Optimierungen
|
|
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)
|
|
|
|
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, 30)
|
|
logger.info("WebDriver erfolgreich initialisiert (Bild-Laden deaktiviert).")
|
|
|
|
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:
|
|
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):
|
|
# (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")
|
|
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(self):
|
|
"""
|
|
Führt den Login-Prozess durch, indem menschliches Verhalten simuliert wird:
|
|
1. Seite laden.
|
|
2. Warten bis URL korrekt ist.
|
|
3. Warten bis Formular da ist.
|
|
4. Ausfüllen und klicken.
|
|
"""
|
|
if not self.driver: return False
|
|
username, password = self._load_credentials()
|
|
if not username or not password: return False
|
|
|
|
try:
|
|
# SCHRITT 1: SEITE LADEN
|
|
logger.info(f"Navigiere zur Login-Seite: {DEALFRONT_LOGIN_URL}")
|
|
self.driver.get(DEALFRONT_LOGIN_URL)
|
|
|
|
# SCHRITT 2: VERIFIZIEREN, DASS DIE SEITE VOLLSTÄNDIG GELADEN IST
|
|
# Wir warten darauf, dass die URL in der Adressleiste die Login-URL enthält.
|
|
# Das ist ein starkes Indiz, dass die Seite nicht im Ladezustand festhängt.
|
|
self.wait.until(EC.url_contains("login"))
|
|
logger.info("Login-Seite URL erfolgreich bestätigt. Warte kurz, damit die Seite rendern kann...")
|
|
time.sleep(3) # Kurze Atempause für die Seite
|
|
|
|
# SCHRITT 3: FORMULAR FINDEN UND AUSFÜLLEN
|
|
logger.info("Suche nach dem E-Mail-Eingabefeld...")
|
|
email_field = self.wait.until(EC.visibility_of_element_located((By.NAME, "email")))
|
|
logger.info("E-Mail-Feld gefunden. Fülle Formulardaten aus.")
|
|
email_field.send_keys(username)
|
|
|
|
password_field = self.driver.find_element(By.CSS_SELECTOR, "input[type='password']")
|
|
password_field.send_keys(password)
|
|
|
|
login_button = self.driver.find_element(By.XPATH, "//button[normalize-space()='Log in']")
|
|
login_button.click()
|
|
|
|
logger.info("Login-Befehl gesendet. Die Seite sollte nun weiterleiten.")
|
|
return True
|
|
|
|
except Exception as e:
|
|
logger.critical(f"Login-Prozess ist fehlgeschlagen: {type(e).__name__}", exc_info=True)
|
|
self._save_debug_artifacts()
|
|
return False
|
|
|
|
def navigate_to_target(self):
|
|
"""Navigiert direkt zur Target-URL und wartet auf Bestätigung."""
|
|
try:
|
|
logger.info(f"Navigiere direkt zur Target-URL: {Config.DEALFRONT_TARGET_URL}")
|
|
self.driver.get(Config.DEALFRONT_TARGET_URL)
|
|
|
|
# Warten, bis die URL sich tatsächlich ändert.
|
|
self.wait.until(EC.url_contains("/t/prospector/"))
|
|
logger.info(f"URL-Wechsel bestätigt. Aktuelle URL: {self.driver.current_url}")
|
|
|
|
# Warten, bis die Seite gerendert ist.
|
|
verification_selector = (By.XPATH, "//button[normalize-space()='+ Neue Suche']")
|
|
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 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.
|
|
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.
|
|
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):
|
|
# (Diese Methode bleibt vorerst unverändert)
|
|
try:
|
|
logger.info(f"Suche und lade die vordefinierte Suche: '{search_name}'")
|
|
search_link_selector = (By.XPATH, f"//div[contains(@class, 'truncate') and normalize-space()='{search_name}']")
|
|
search_link = self.wait.until(EC.element_to_be_clickable(search_link_selector))
|
|
search_link.click()
|
|
|
|
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.")
|
|
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
|
|
unter Verwendung der verifizierten und präzisen CSS-Selektoren.
|
|
"""
|
|
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]) auf der Seite gefunden.")
|
|
self._save_debug_artifacts()
|
|
return []
|
|
|
|
logger.info(f"{len(rows)} Ergebniszeilen zur Verarbeitung gefunden.")
|
|
|
|
for i, row in enumerate(rows):
|
|
company_name, website = "", ""
|
|
try:
|
|
# --- IHR SELEKTOR FÜR FIRMENNAMEN ---
|
|
company_name_element = row.find_element(By.CSS_SELECTOR, ".sticky-column a.t-highlight-text")
|
|
company_name = company_name_element.get_attribute("title").strip()
|
|
|
|
# --- IHR SELEKTOR FÜR WEBSITES ---
|
|
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})
|
|
except NoSuchElementException:
|
|
logger.warning(f"Zeile {i+1}: Name oder Webseite nicht gefunden. Überspringe.")
|
|
continue
|
|
|
|
logger.info(f"{len(results)} Firmen erfolgreich extrahiert.")
|
|
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 - Rekonstruierter Workflow")
|
|
|
|
scraper = None
|
|
try:
|
|
scraper = DealfrontScraper()
|
|
if not scraper.driver:
|
|
raise Exception("WebDriver konnte nicht initialisiert werden.")
|
|
|
|
# Schritt 1: Login
|
|
if not scraper.login():
|
|
raise Exception("Login fehlgeschlagen.")
|
|
|
|
# Kurze Pause, um der Weiterleitung nach dem Login eine Chance zu geben.
|
|
# Dies ist der einzige 'sleep', den wir brauchen.
|
|
time.sleep(5)
|
|
|
|
# Schritt 2: Navigation
|
|
if not scraper.navigate_to_target():
|
|
raise Exception("Navigation zur Target-Seite fehlgeschlagen.")
|
|
|
|
# ... (Rest der main-Funktion mit Suche und Extraktion bleibt gleich) ...
|
|
if not scraper.load_search(Config.TARGET_SEARCH_NAME):
|
|
raise Exception(f"Laden der Suche '{Config.TARGET_SEARCH_NAME}' fehlgeschlagen.")
|
|
|
|
companies = scraper.extract_current_page_results()
|
|
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', 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")
|
|
else:
|
|
logger.warning("Keine Firmen auf der ersten Seite extrahiert oder gefunden.")
|
|
|
|
logger.info("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.") |