PythonはPOSTエラー、セッションの問題を要求しますか？

Question

私はPythonを介して次のブラウザアクションを模倣しようとしていますrequests：

1. 降下する https://www.bundesanzeiger.de/pub/en/to_nlp_start
2. 「その他の検索オプション」をクリックします
3. （POSTのPARAMに対応しています。「またhistoricisedデータを検索する」のチェックボックスをクリックしてくださいisHistorical: true）
4. 「ネットショートポジション検索」ボタンをクリック
5. 「AlsCSVherunterladen」ボタンをクリックして、csvファイルをダウンロードします

これは私がこれをシミュレートしなければならないコードです：

import requests
import re

s = requests.Session()
r = s.get("https://www.bundesanzeiger.de/pub/en/to_nlp_start", verify=False, allow_redirects=True)

matches = re.search(
        r'form class="search-form" id=".*" method="post" action="\.(?P<appendtxt>.*)"',
        r.text
    )
request_url = f"https://www.bundesanzeiger.de/pub/en{matches.group('appendtxt')}"
sr = session.post(request_url, data={'isHistorical': 'true', 'nlp-search-button': 'Search net short positions'}, allow_redirects=True)

ただし、srstatus_code 200が表示されても、チェックすると実際にはエラーになりsr.urlます。https://www.bundesanzeiger.de/pub/en/error-404?9

もう少し掘り下げてみると、request_url上記のように解決されることに気づきました

https://www.bundesanzeiger.de/pub/en/nlp;wwwsid=EFEB15CD4ADC8932A91BA88B561A50E9.web07-pub?0-1.-nlp~filter~form~panel-form

しかし、ChromeでリクエストのURLを確認すると、実際には

https://www.bundesanzeiger.de/pub/en/nlp?87-1.-nlp~filter~form~panel-form`

87ここでは、いくつかのセッションIDです示唆、変化に思えるが、私は使用してこれをやっているときrequests、適切に解決するためには表示されません。

私がここで何を見逃しているのか分かりますか？

Answer 1

このスクリプトを試して、CSVファイルをダウンロードできます。

import requests
from bs4 import BeautifulSoup


url = 'https://www.bundesanzeiger.de/pub/en/to_nlp_start'

data = {
    'fulltext': '',
    'positionsinhaber': '',
    'ermittent': '',
    'isin': '',
    'positionVon': '',
    'positionBis': '',
    'datumVon': '',
    'datumBis': '',
    'isHistorical': 'true',
    'nlp-search-button': 'Search+net+short+positions'
}

headers = {
    'Referer': 'https://www.bundesanzeiger.de/'
}

with requests.session() as s:
    soup = BeautifulSoup(s.get(url).content, 'html.parser')

    action = soup.find('form', action=lambda t: 'nlp~filter~form~panel-for' in t)['action']
    u = 'https://www.bundesanzeiger.de/pub/en' + action.strip('.')    

    soup = BeautifulSoup( s.post(u, data=data, headers=headers).content, 'html.parser' )

    a = soup.select_one('a[title="Download as CSV"]')['href']
    a = 'https://www.bundesanzeiger.de/pub/en' + a.strip('.')    

    print( s.get(a, headers=headers).content.decode('utf-8-sig') ) 

プリント：

"Positionsinhaber","Emittent","ISIN","Position","Datum"
"Citadel Advisors LLC","LEONI AG","DE0005408884","0,62","2020-08-21"
"AQR Capital Management, LLC","Evotec SE","DE0005664809","1,10","2020-08-21"
"BlackRock Investment Management (UK) Limited","thyssenkrupp AG","DE0007500001","1,50","2020-08-21"
"BlackRock Investment Management (UK) Limited","Deutsche Lufthansa Aktiengesellschaft","DE0008232125","0,75","2020-08-21"
"Citadel Europe LLP","TAG Immobilien AG","DE0008303504","0,70","2020-08-21"
"Davidson Kempner European Partners, LLP","TAG Immobilien AG","DE0008303504","0,36","2020-08-21"
"Maplelane Capital, LLC","VARTA AKTIENGESELLSCHAFT","DE000A0TGJ55","1,15","2020-08-21"


...and so on.

Answer 2

チェックすれば https://www.bundesanzeiger.de/robots.txt、このウェブサイトはインデックスに登録されるのが好きではありません。Webサイトは、ボットが使用するデフォルトのユーザーエージェントへのアクセスを拒否している可能性があります。これは役立つかもしれません：Pythonリクエストとrobots.txt