269 lines
12 KiB
Python
269 lines
12 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()
|
|
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) # Timeout auf 30s erhöht für mehr Stabilität
|
|
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:
|
|
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_and_navigate_to_target(self):
|
|
"""
|
|
Führt Login durch und navigiert zur Target-Seite via Klick auf den "Quick Link".
|
|
Dieser Ansatz ist maximal robust.
|
|
"""
|
|
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_field = self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "input[name='email']")))
|
|
email_field.send_keys(username)
|
|
|
|
password_field = self.wait.until(EC.visibility_of_element_located((By.CSS_SELECTOR, "input[type='password']")))
|
|
password_field.send_keys(password)
|
|
|
|
login_button = self.wait.until(EC.element_to_be_clickable((By.XPATH, "//button[normalize-space()='Log in']")))
|
|
login_button.click()
|
|
|
|
# --- SCHRITT 2: NAVIGATION VIA QUICK-LINK-KACHEL ---
|
|
logger.info("Login-Befehl gesendet. Warte auf Dashboard und 'Prospects finden'-Link.")
|
|
|
|
# Dieser XPath zielt auf den Link in der "Quick links"-Kachel
|
|
prospects_link_selector = (By.XPATH, "//a[@data-test-target-product-tile]")
|
|
prospects_link = self.wait.until(EC.element_to_be_clickable(prospects_link_selector))
|
|
logger.info("'Prospects finden'-Link gefunden. Klicke darauf...")
|
|
prospects_link.click()
|
|
|
|
# --- SCHRITT 3: NAVIGATION VERIFIZIEREN ---
|
|
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}")
|
|
|
|
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 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 = []
|
|
|
|
# 1. Finde alle Zeilen der Tabelle.
|
|
# Jede Zeile ist ein `<tr>`-Element mit einer einzigartigen ID.
|
|
rows_selector = (By.CSS_SELECTOR, "table#t-result-table tbody > tr[id]")
|
|
|
|
# Wir warten explizit, bis mindestens eine Zeile geladen ist.
|
|
self.wait.until(EC.presence_of_element_located(rows_selector))
|
|
time.sleep(3) # Kurze zusätzliche Pause, um sicherzustellen, dass JS die Tabelle vollständig rendert.
|
|
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.")
|
|
|
|
# 2. Iteriere durch jede Zeile und extrahiere die Daten.
|
|
for i, row in enumerate(rows):
|
|
company_name = ""
|
|
website = ""
|
|
try:
|
|
# --- KORRIGIERTER FIRMENNAMEN-SELEKTOR ---
|
|
company_name_selector = (By.CSS_SELECTOR, ".sticky-column a.t-highlight-text")
|
|
company_name_element = row.find_element(*company_name_selector)
|
|
# Wir holen uns das 'title'-Attribut, da der Text abgeschnitten sein könnte.
|
|
company_name = company_name_element.get_attribute("title").strip()
|
|
|
|
# --- KORRIGIERTER WEBSEITEN-SELEKTOR ---
|
|
website_selector = (By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text")
|
|
website_element = row.find_element(*website_selector)
|
|
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}: Ein erwartetes Element (Name oder Webseite) wurde nicht gefunden. Überspringe diese Zeile.")
|
|
continue
|
|
|
|
logger.info(f"{len(results)} Firmen erfolgreich extrahiert.")
|
|
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()
|
|
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()
|
|
|
|
# === NEUE, SAUBERE AUSGABE ===
|
|
if companies:
|
|
# Erstelle einen pandas DataFrame aus der Ergebnisliste
|
|
df = pd.DataFrame(companies)
|
|
|
|
# Konfiguriere pandas, um den vollen Text in den Spalten anzuzeigen
|
|
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)
|
|
if not df.empty:
|
|
print(df.to_string(index=False))
|
|
else:
|
|
print(" DataFrame ist leer, obwohl Ergebnisse vorhanden waren. Überprüfung nötig. ".center(80, "-"))
|
|
print("="*80 + "\n")
|
|
|
|
logger.info(f"{len(df)} Firmen erfolgreich in der Konsole ausgegeben.")
|
|
|
|
else:
|
|
logger.warning("Keine Firmen auf der ersten Seite extrahiert oder gefunden.")
|
|
|
|
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.") |