205 lines
9.6 KiB
Python
205 lines
9.6 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
|
|
|
|
# Temporäre Konfiguration, um Unabhängigkeit zu gewährleisten
|
|
class TempConfig:
|
|
DEALFRONT_LOGIN_URL = "https://app.dealfront.com/login"
|
|
TARGET_SEARCH_NAME = "Facility Management" # Passen Sie dies bei Bedarf an
|
|
DEALFRONT_CREDENTIALS_FILE = "/app/dealfront_credentials.json"
|
|
DEALFRONT_TARGET_URL = "https://app.dealfront.com/t?products=target%2Cconnect%2Cpromote%2Cdatacare"
|
|
|
|
# Logging-Konfiguration
|
|
OUTPUT_DIR = "/app/output"
|
|
LOG_FORMAT = '%(asctime)s - %(levelname)-8s - %(name)-25s - %(message)s'
|
|
logging.basicConfig(level=logging.INFO, format=LOG_FORMAT, force=True)
|
|
logging.getLogger("selenium").setLevel(logging.WARNING)
|
|
logger = logging.getLogger(__name__)
|
|
|
|
# Log-Datei einrichten
|
|
log_filename = f"dealfront_run_{time.strftime('%Y%m%d-%H%M%S')}.txt"
|
|
log_filepath = os.path.join(OUTPUT_DIR, log_filename)
|
|
try:
|
|
os.makedirs(OUTPUT_DIR, exist_ok=True)
|
|
file_handler = logging.FileHandler(log_filepath, mode='w', encoding='utf-8')
|
|
file_handler.setLevel(logging.DEBUG)
|
|
file_handler.setFormatter(logging.Formatter(LOG_FORMAT))
|
|
logging.getLogger().addHandler(file_handler)
|
|
logger.info(f"Logging konfiguriert. Log-Datei: {log_filepath}")
|
|
except Exception as e:
|
|
logger.error(f"Konnte Log-Datei nicht erstellen: {e}")
|
|
|
|
class DealfrontScraper:
|
|
def __init__(self):
|
|
logger.info("Initialisiere den DealfrontScraper...")
|
|
chrome_options = ChromeOptions()
|
|
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")
|
|
|
|
try:
|
|
self.driver = webdriver.Chrome(options=chrome_options)
|
|
except Exception as e:
|
|
logger.critical(f"WebDriver konnte nicht initialisiert werden.", exc_info=True)
|
|
raise
|
|
self.wait = WebDriverWait(self.driver, 45) # Erhöhter Timeout für mehr Stabilität
|
|
self.username, self.password = self._load_credentials()
|
|
logger.info("WebDriver erfolgreich initialisiert.")
|
|
|
|
def _load_credentials(self):
|
|
try:
|
|
with open(TempConfig.DEALFRONT_CREDENTIALS_FILE, 'r') as f:
|
|
creds = json.load(f)
|
|
return creds.get("username"), creds.get("password")
|
|
except Exception as e:
|
|
logger.error(f"Credentials-Datei konnte nicht geladen werden: {e}")
|
|
return None, None
|
|
|
|
def _save_debug_artifacts(self):
|
|
try:
|
|
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 gespeichert.")
|
|
with open(html_filepath, "w", encoding="utf-8") as f:
|
|
f.write(self.driver.page_source)
|
|
logger.error(f"HTML-Quellcode '{html_filepath}' wurde gespeichert.")
|
|
except Exception as e:
|
|
logger.error(f"Konnte Debug-Artefakte nicht speichern: {e}")
|
|
|
|
def login(self):
|
|
try:
|
|
logger.info(f"Navigiere zur Login-Seite: {TempConfig.DEALFRONT_LOGIN_URL}")
|
|
self.driver.get(TempConfig.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. Warte auf Weiterleitung...")
|
|
# Warten auf ein Element, das nach dem Login sicher da ist (z.B. Dashboard-Link)
|
|
self.wait.until(EC.visibility_of_element_located((By.XPATH, "//a[contains(@href, '/dashboard')]")))
|
|
logger.info("Login erfolgreich und Dashboard erreicht.")
|
|
return True
|
|
except Exception as e:
|
|
logger.critical(f"Login-Prozess fehlgeschlagen.", exc_info=True)
|
|
self._save_debug_artifacts()
|
|
return False
|
|
|
|
def navigate_and_load_search(self, search_name):
|
|
try:
|
|
logger.info(f"Navigiere direkt zur Target-Seite und lade Suche '{search_name}'...")
|
|
self.driver.get(TempConfig.DEALFRONT_TARGET_URL)
|
|
self.wait.until(EC.url_contains("/t/prospector/"))
|
|
|
|
search_item_selector = (By.XPATH, f"//div[contains(@class, 'truncate') and normalize-space()='{search_name}']")
|
|
self.wait.until(EC.element_to_be_clickable(search_item_selector)).click()
|
|
|
|
logger.info(f"Suche '{search_name}' geladen. Warte auf das Rendern der Ergebnisse.")
|
|
first_row_locator = (By.CSS_SELECTOR, "table#t-result-table tbody tr[id]")
|
|
self.wait.until(EC.visibility_of_element_located(first_row_locator))
|
|
logger.info("Ergebnisseite erfolgreich geladen.")
|
|
return True
|
|
except Exception as e:
|
|
logger.critical(f"Navigation oder Laden der Suche fehlgeschlagen.", exc_info=True)
|
|
self._save_debug_artifacts()
|
|
return False
|
|
|
|
def extract_current_page_results(self):
|
|
"""
|
|
Extrahiert Daten mit einem schnellen, zeilen-fokussierten Ansatz.
|
|
Ignoriert "Geister"-Zeilen und verhindert Timeouts.
|
|
"""
|
|
try:
|
|
logger.info("Extrahiere Ergebnisse mit dem finalen, optimierten Ansatz...")
|
|
results = []
|
|
|
|
# 1. Warten, bis die erste Daten-Zelle (Firmenname) sichtbar ist.
|
|
# Das ist unser einziger Wartepunkt und bestätigt, dass die Daten geladen sind.
|
|
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))
|
|
|
|
# 2. Finde NUR die Zeilen, die tatsächlich einen sichtbaren Firmennamen-Link enthalten.
|
|
# Dieser XPath ist extrem robust.
|
|
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)
|
|
logger.info(f"{len(rows)} gültige Datenzeilen zur Verarbeitung gefunden.")
|
|
|
|
for row in rows:
|
|
try:
|
|
# Innerhalb dieser garantiert validen Zeilen können wir nun sicher extrahieren.
|
|
company_name = row.find_element(By.CSS_SELECTOR, ".sticky-column a.t-highlight-text").get_attribute("title").strip()
|
|
|
|
# Versuche, die Webseite zu finden. Wenn nicht vorhanden, wird sie "N/A".
|
|
try:
|
|
website = row.find_element(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text").text.strip()
|
|
except NoSuchElementException:
|
|
website = "N/A"
|
|
|
|
results.append({'name': company_name, 'website': website})
|
|
except Exception as e:
|
|
# Dieser Fall sollte jetzt kaum noch auftreten.
|
|
logger.warning(f"Konnte Daten aus einer scheinbar validen Zeile nicht extrahieren: {e}")
|
|
continue
|
|
|
|
logger.info(f"Extraktion abgeschlossen. {len(results)} Firmen verarbeitet.")
|
|
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 Workflow")
|
|
scraper = None
|
|
try:
|
|
scraper = DealfrontScraper()
|
|
if not scraper.driver:
|
|
raise Exception("WebDriver konnte nicht initialisiert werden.")
|
|
|
|
if not scraper.login():
|
|
raise Exception("Login fehlgeschlagen.")
|
|
|
|
if not scraper.navigate_and_load_search(TempConfig.TARGET_SEARCH_NAME):
|
|
raise Exception("Navigation und Laden der Suche 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', -1)
|
|
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 konnten extrahiert werden.")
|
|
|
|
logger.info("Test erfolgreich abgeschlossen.")
|
|
|
|
except Exception as e:
|
|
logger.critical(f"Ein kritischer Fehler ist im Hauptprozess aufgetreten: {e}")
|
|
finally:
|
|
if scraper:
|
|
scraper.close()
|
|
|
|
logger.info("Dealfront Automatisierung beendet.") |