Python żąda błędu POST, problem z sesją?

Question

Próbuję naśladować następujące działania przeglądarki za pomocą Pythona requests:

1. Wyląduj dalej https://www.bundesanzeiger.de/pub/en/to_nlp_start
2. Kliknij „Więcej opcji wyszukiwania”
3. Kliknij pole „również historicised danych” (odpowiada POST param: isHistorical: true)
4. Kliknij przycisk „Wyszukaj krótkie pozycje netto”
5. Kliknij przycisk „Als CSV herunterladen”, aby pobrać plik csv

Oto kod, który muszę zasymulować:

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)

Jednak mimo że srdaje mi status_code 200, to naprawdę błąd, gdy sprawdzam sr.url, co pokazujehttps://www.bundesanzeiger.de/pub/en/error-404?9

Kopiąc nieco głębiej zauważyłem, że request_urlpowyżej rozwiązuje się coś takiego

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

ale kiedy sprawdzam adres URL żądania w Chrome, to w rzeczywistości

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

87Tutaj wydaje się zmieniać, co sugeruje, że to jakiś identyfikator sesji, ale kiedy robię to przy użyciu requestsnie wydaje się, aby prawidłowo rozwiązać.

Masz jakiś pomysł, czego tu brakuje?

Answer 1

Możesz wypróbować ten skrypt, aby pobrać plik CSV:

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') ) 

Wydruki:

"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

Jeśli sprawdzisz https://www.bundesanzeiger.de/robots.txt, ta witryna nie lubi być indeksowana. Witryna może blokować dostęp do domyślnego klienta użytkownika używanego przez boty. To może pomóc: żądania w Pythonie a plik robots.txt