219 lines
11 KiB
Python
219 lines
11 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.service import Service
|
|
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
|
|
|
|
# Importiere Konfigurationen
|
|
from config import Config, DEALFRONT_LOGIN_URL, DEALFRONT_CREDENTIALS_FILE, DEALFRONT_TARGET_URL, TARGET_SEARCH_NAME
|
|
|
|
# Definiere einen festen Ausgabeordner, der im Dockerfile erstellt wird
|
|
OUTPUT_DIR = "/app/output"
|
|
|
|
# Logging-Konfiguration
|
|
LOG_LEVEL = logging.INFO
|
|
LOG_FORMAT = '%(asctime)s - %(levelname)-8s - %(name)-25s - %(message)s'
|
|
logging.basicConfig(level=LOG_LEVEL, format=LOG_FORMAT, force=True, handlers=[logging.StreamHandler()])
|
|
logging.getLogger("selenium").setLevel(logging.WARNING) # Selenium-Spam reduzieren
|
|
logger = logging.getLogger(__name__)
|
|
|
|
# FileHandler hinzufügen, um in eine .txt-Datei zu loggen
|
|
log_filename = f"dealfront_run_{time.strftime('%Y%m%d-%H%M%S')}.txt"
|
|
log_filepath = os.path.join(OUTPUT_DIR, log_filename)
|
|
try:
|
|
file_handler = logging.FileHandler(log_filepath, mode='w', encoding='utf-8')
|
|
file_handler.setLevel(logging.DEBUG) # Alles in die Datei schreiben
|
|
file_handler.setFormatter(logging.Formatter(LOG_FORMAT))
|
|
logging.getLogger().addHandler(file_handler)
|
|
logger.info(f"Logging konfiguriert. Konsole auf Level {logging.getLevelName(LOG_LEVEL)}. Log-Datei: {log_filepath}")
|
|
except FileNotFoundError:
|
|
logger.error(f"Konnte Log-Datei nicht erstellen. Das Verzeichnis '{OUTPUT_DIR}' existiert möglicherweise nicht im Container.")
|
|
logger.error("Stellen Sie sicher, dass das Volume-Mapping korrekt ist: -v \"$(pwd)/output:/app/output\"")
|
|
|
|
|
|
class DealfrontScraper:
|
|
"""
|
|
Kapselt alle Interaktionen mit der Dealfront-Plattform mittels Selenium.
|
|
"""
|
|
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")
|
|
|
|
# Service-Objekt, das explizit den system-installierten Treiber verwendet
|
|
service = Service(executable_path='/usr/bin/chromedriver')
|
|
|
|
try:
|
|
self.driver = webdriver.Chrome(service=service, options=chrome_options)
|
|
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)
|
|
self.username, self.password = self._load_credentials()
|
|
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:
|
|
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
|
|
return None, None
|
|
|
|
def _save_debug_artifacts(self):
|
|
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")
|
|
html_filepath = os.path.join(OUTPUT_DIR, f"error_{timestamp}.html")
|
|
self.driver.save_screenshot(screenshot_filepath)
|
|
logger.error(f"Screenshot '{screenshot_filepath}' wurde für die Analyse 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 für die Analyse gespeichert.")
|
|
except Exception as e:
|
|
logger.error(f"Konnte Debug-Artefakte nicht speichern: {e}")
|
|
|
|
def login_and_find_list(self, search_name):
|
|
"""Führt den gesamten Prozess vom Login bis zum Laden der Zielliste robust aus."""
|
|
try:
|
|
# === LOGIN ===
|
|
logger.info(f"Navigiere zur Login-Seite: {DEALFRONT_LOGIN_URL}")
|
|
self.driver.get(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.")
|
|
|
|
# === NAVIGATION ZUM TARGET BEREICH ===
|
|
logger.info("Warte auf Dashboard und den 'Prospects finden' Quick-Link...")
|
|
prospects_link_selector = (By.XPATH, "//a[@data-test-target-product-tile]")
|
|
prospects_link = self.wait.until(EC.element_to_be_clickable(prospects_link_selector))
|
|
prospects_link.click()
|
|
logger.info("'Prospects finden' geklickt.")
|
|
|
|
# === LADEN DER SPEZIFISCHEN SUCHE ===
|
|
logger.info(f"Warte auf die Liste der Suchen und klicke auf '{search_name}'...")
|
|
search_item_selector = (By.XPATH, f"//div[contains(@class, 'truncate') and normalize-space()='{search_name}']")
|
|
search_item = self.wait.until(EC.element_to_be_clickable(search_item_selector))
|
|
search_item.click()
|
|
|
|
# === VERIFIZIERUNG UND WARTEN AUF TABELLENDATEN ===
|
|
logger.info(f"Suche '{search_name}' geladen. Warte auf das Rendern der Ergebnistabelle.")
|
|
table_header_selector = (By.XPATH, "//th[normalize-space()='Firma']")
|
|
self.wait.until(EC.visibility_of_element_located(table_header_selector))
|
|
time.sleep(5)
|
|
|
|
logger.info("Zielseite mit Ergebnissen erfolgreich erreicht.")
|
|
return True
|
|
except Exception as e:
|
|
logger.critical(f"Der Prozess vom Login bis zum Finden der Liste ist fehlgeschlagen: {type(e).__name__}", exc_info=True)
|
|
self._save_debug_artifacts()
|
|
return False
|
|
|
|
def handle_overlays(self):
|
|
"""Sucht nach bekannten Popups/Overlays und schließt sie."""
|
|
try:
|
|
short_wait = WebDriverWait(self.driver, 5)
|
|
close_button_xpath = "//button[@aria-label='Schließen' or @aria-label='Close']"
|
|
logger.info("Suche nach bekannten Overlays/Popups...")
|
|
close_button = short_wait.until(EC.element_to_be_clickable((By.XPATH, close_button_xpath)))
|
|
logger.info("Schließen-Button für Overlay gefunden. Klicke darauf.")
|
|
close_button.click()
|
|
time.sleep(1)
|
|
except TimeoutException:
|
|
logger.info("Kein Overlay/Popup gefunden. Fahre fort.")
|
|
except Exception as e:
|
|
logger.warning(f"Fehler beim Schließen des Overlays, ignoriere und fahre fort: {e}")
|
|
|
|
def extract_current_page_results(self):
|
|
"""Extrahiert die Firmennamen und Webseiten."""
|
|
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]) gefunden.")
|
|
return []
|
|
logger.info(f"{len(rows)} Firmen-Datenzeilen zur Verarbeitung gefunden.")
|
|
for i, row in enumerate(rows, 1):
|
|
try:
|
|
company_name = row.find_element(By.CSS_SELECTOR, ".sticky-column a.t-highlight-text").get_attribute("title").strip()
|
|
website = row.find_element(By.CSS_SELECTOR, "a.text-gray-400.t-highlight-text").text.strip()
|
|
results.append({'name': company_name, 'website': website})
|
|
except NoSuchElementException:
|
|
logger.warning(f"Zeile {i}: Name oder Webseite nicht extrahierbar. Überspringe.")
|
|
continue
|
|
logger.info(f"Extraktion abgeschlossen. {len(results)} Firmen gefunden.")
|
|
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 Durchbruchsversuch")
|
|
scraper = None
|
|
try:
|
|
scraper = DealfrontScraper()
|
|
if not scraper.driver:
|
|
raise Exception("WebDriver konnte nicht initialisiert werden.")
|
|
|
|
if not scraper.login_and_find_list(Config.TARGET_SEARCH_NAME):
|
|
raise Exception("Der Prozess vom Login bis zum Laden der Liste ist fehlgeschlagen. Details siehe Log.")
|
|
|
|
scraper.handle_overlays()
|
|
|
|
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("Obwohl die Seite geladen wurde, konnten keine Firmen extrahiert werden. Bitte HTML-Dump prüfen.")
|
|
|
|
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.") |