218 lines
10 KiB
Python
218 lines
10 KiB
Python
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.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
|
|
|
|
# --- Konfiguration ---
|
|
class Config:
|
|
LOGIN_URL = "https://app.dealfront.com/login"
|
|
TARGET_URL = "https://app.dealfront.com/t/prospector/companies"
|
|
SEARCH_NAME = "Facility Management" # <-- PASSEN SIE DIES AN IHRE GESPEICHERTE SUCHE AN
|
|
CREDENTIALS_FILE = "/app/dealfront_credentials.json"
|
|
OUTPUT_DIR = "/app/output"
|
|
|
|
# --- Logging Setup ---
|
|
LOG_FORMAT = '%(asctime)s - %(levelname)-8s - %(name)-25s - %(message)s'
|
|
logging.basicConfig(level=logging.INFO, format=LOG_FORMAT, force=True)
|
|
logging.getLogger("selenium.webdriver.remote").setLevel(logging.WARNING)
|
|
logger = logging.getLogger(__name__)
|
|
|
|
os.makedirs(Config.OUTPUT_DIR, exist_ok=True)
|
|
log_filepath = os.path.join(Config.OUTPUT_DIR, f"dealfront_run_{time.strftime('%Y%m%d-%H%M%S')}.log")
|
|
file_handler = logging.FileHandler(log_filepath, mode='w', encoding='utf-8')
|
|
file_handler.setFormatter(logging.Formatter(LOG_FORMAT))
|
|
logging.getLogger().addHandler(file_handler)
|
|
|
|
class DealfrontScraper:
|
|
def __init__(self):
|
|
logger.info("Initialisiere WebDriver...")
|
|
chrome_options = ChromeOptions()
|
|
chrome_options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2})
|
|
chrome_options.add_argument("--headless=new")
|
|
chrome_options.add_argument("--no-sandbox")
|
|
chrome_options.add_argument("--disable-dev-shm-usage")
|
|
chrome_options.add_argument("--window-size=1920,1200")
|
|
|
|
try:
|
|
self.driver = webdriver.Chrome(options=chrome_options)
|
|
except Exception as e:
|
|
logger.critical("WebDriver konnte nicht initialisiert werden.", exc_info=True)
|
|
raise
|
|
|
|
self.wait = WebDriverWait(self.driver, 30)
|
|
self.username, self.password = self._load_credentials()
|
|
if not self.username or not self.password:
|
|
raise ValueError("Credentials konnten nicht geladen werden. Breche ab.")
|
|
logger.info("WebDriver erfolgreich initialisiert.")
|
|
|
|
def _load_credentials(self):
|
|
try:
|
|
with open(Config.CREDENTIALS_FILE, 'r', encoding='utf-8') as f:
|
|
creds = json.load(f)
|
|
return creds.get("username"), creds.get("password")
|
|
except Exception:
|
|
logger.error(f"Credentials-Datei {Config.CREDENTIALS_FILE} nicht gefunden.")
|
|
return None, None
|
|
|
|
def _save_debug_artifacts(self, suffix=""):
|
|
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}")
|
|
|
|
def run(self):
|
|
# 1. LOGIN
|
|
logger.info(f"Navigiere zu: {Config.LOGIN_URL}")
|
|
self.driver.get(Config.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. Warte 5s auf Session-Etablierung.")
|
|
time.sleep(5)
|
|
|
|
# 2. NAVIGATION & SUCHE LADEN
|
|
logger.info(f"Navigiere direkt zur Target-Seite und lade Suche: '{Config.SEARCH_NAME}'")
|
|
self.driver.get(Config.TARGET_URL)
|
|
self.wait.until(EC.element_to_be_clickable((By.XPATH, f"//*[normalize-space()='{Config.SEARCH_NAME}']"))).click()
|
|
|
|
# 3. ERGEBNISSE EXTRAHIEREN
|
|
logger.info("Suche geladen. Extrahiere Ergebnisse der ersten Seite.")
|
|
self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "table#t-result-table")))
|
|
time.sleep(3) # Letzte kurze Pause für das Rendering
|
|
|
|
company_elements = self.driver.find_elements(By.CSS_SELECTOR, "td.sticky-column a.t-highlight-text")
|
|
website_elements = self.driver.find_elements(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text")
|
|
|
|
logger.info(f"{len(company_elements)} Firmen und {len(website_elements)} Webseiten gefunden.")
|
|
|
|
results = []
|
|
for i in range(len(company_elements)):
|
|
name = company_elements[i].get_attribute("title").strip()
|
|
website = website_elements[i].text.strip() if i < len(website_elements) else "N/A"
|
|
results.append({'name': name, 'website': website})
|
|
|
|
return results
|
|
|
|
def scrape_all_pages(self):
|
|
"""
|
|
Iteriert durch alle Ergebnisseiten, extrahiert die Daten und gibt eine Gesamtliste zurück.
|
|
"""
|
|
all_companies = []
|
|
page_number = 1
|
|
|
|
while True:
|
|
logger.info(f"--- Verarbeite Seite {page_number} ---")
|
|
|
|
# Warten, bis die Tabelle sichtbar ist
|
|
table_selector = (By.CSS_SELECTOR, "table#t-result-table")
|
|
self.wait.until(EC.visibility_of_element_located(table_selector))
|
|
|
|
# ID des ersten Eintrags merken, um Seitenwechsel zu verifizieren
|
|
try:
|
|
first_row_id = self.driver.find_element(By.CSS_SELECTOR, "table#t-result-table tbody tr").get_attribute("id")
|
|
except NoSuchElementException:
|
|
logger.warning("Konnte keine Datenzeilen auf der Seite finden. Beende Paginierung.")
|
|
break
|
|
|
|
# Daten von der aktuellen Seite extrahieren
|
|
page_results = self.extract_current_page_results()
|
|
if not page_results:
|
|
logger.info("Keine weiteren Ergebnisse auf der Seite gefunden. Paginierung abgeschlossen.")
|
|
break
|
|
all_companies.extend(page_results)
|
|
logger.info(f"Bisher {len(all_companies)} Firmen insgesamt gefunden.")
|
|
|
|
# "Weiter"-Button finden und prüfen, ob er deaktiviert ist
|
|
try:
|
|
next_button_selector = (By.XPATH, "//a[@class='eb-pagination-button'][.//svg[contains(@class, 'fa-angle-right')]]")
|
|
next_button = self.driver.find_element(*next_button_selector)
|
|
|
|
if "disabled" in next_button.get_attribute("class"):
|
|
logger.info("'Weiter'-Button ist deaktiviert. Letzte Seite erreicht.")
|
|
break
|
|
|
|
# Auf den "Weiter"-Button klicken
|
|
next_button.click()
|
|
logger.info(f"Auf Seite {page_number + 1} geblättert. Warte auf neue Inhalte...")
|
|
page_number += 1
|
|
|
|
# Warten, bis die alte erste Zeile verschwunden ist (Staleness)
|
|
# Dies ist der robusteste Weg, um zu bestätigen, dass die Seite neu geladen wurde.
|
|
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.")
|
|
break
|
|
|
|
return all_companies
|
|
|
|
def close(self):
|
|
if self.driver: self.driver.quit()
|
|
|
|
if __name__ == "__main__":
|
|
logger.info("Starte Dealfront Automatisierung - Paginierungstest")
|
|
scraper = None
|
|
try:
|
|
scraper = DealfrontScraper()
|
|
if not scraper.login(): raise Exception("Login-Phase fehlgeschlagen")
|
|
|
|
if not scraper.navigate_and_load_search(Config.SEARCH_NAME):
|
|
raise Exception("Navigation und Laden der Suche fehlgeschlagen.")
|
|
|
|
# Ruft die neue Methode auf, die durch alle Seiten blättert
|
|
all_companies = scraper.scrape_all_pages()
|
|
|
|
if all_companies:
|
|
df = pd.DataFrame(all_companies)
|
|
logger.info(f"===== Insgesamt {len(df)} Firmen auf allen Seiten extrahiert =====")
|
|
|
|
# Optionale Ausgabe der kompletten Liste in der Konsole
|
|
# pd.set_option('display.max_rows', None)
|
|
# pd.set_option('display.width', 120)
|
|
# print(df.to_string(index=False))
|
|
|
|
# Speichere die Ergebnisse in einer CSV-Datei im Output-Ordner
|
|
output_csv_path = os.path.join(Config.OUTPUT_DIR, f"dealfront_results_{time.strftime('%Y%m%d-%H%M%S')}.csv")
|
|
df.to_csv(output_csv_path, index=False, sep=';', encoding='utf-8-sig')
|
|
logger.info(f"Ergebnisse erfolgreich in '{output_csv_path}' gespeichert.")
|
|
|
|
else:
|
|
logger.warning("Keine Firmen konnten extrahiert werden.")
|
|
|
|
except Exception as e:
|
|
logger.critical(f"Ein kritischer Fehler ist im Hauptprozess aufgetreten: {e}", exc_info=True)
|
|
finally:
|
|
if scraper:
|
|
scraper.close()
|
|
|
|
logger.info("Dealfront Automatisierung beendet.")```
|
|
|
|
### Zusammenfassung der Änderungen
|
|
|
|
* **Paginierungslogik:** Die neue Methode `scrape_all_pages` kümmert sich um das Durchblättern der Seiten.
|
|
* **Stabiles Warten:** Anstatt fester `time.sleep`-Pausen warten wir nun mit `EC.staleness_of`, bis die alten Daten verschwunden sind. Das ist schnell und zuverlässig.
|
|
* **CSV-Export:** Die Ausgabe in der Konsole kann sehr lang werden. Daher werden die Ergebnisse jetzt direkt in eine **CSV-Datei** im `output`-Ordner gespeichert. Das ist sauberer und besser für die Weiterverarbeitung.
|
|
|
|
### Nächster Schritt
|
|
|
|
1. **Code ändern:** Fügen Sie die neue Methode hinzu und ersetzen Sie den `__main__`-Block.
|
|
2. **Testlauf in der Container-Shell:**
|
|
```bash
|
|
python3 dealfront_enrichment.py
|
|
```
|
|
|
|
**Erwartetes Ergebnis:**
|
|
Das Skript wird Seite für Seite durchgehen und die Logs entsprechend ausgeben. Am Ende finden Sie eine neue CSV-Datei in Ihrem `output`-Ordner, die alle extrahierten Firmennamen und Webseiten enthält. |