python solicita erro de POST, problema de sessão?

Question

Estou tentando imitar as seguintes ações do navegador por meio do python requests:

1. Pouse em https://www.bundesanzeiger.de/pub/en/to_nlp_start
2. Clique em "Mais opções de pesquisa"
3. Clique caixa de seleção "também encontrará dados historicizada" (corresponde ao POST param: isHistorical: true)
4. Clique no botão "Pesquisar posições líquidas curtas"
5. Clique no botão "Als CSV herunterladen" para baixar o arquivo csv

Este é o código que tenho para simular isso:

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)

No entanto, embora srme forneça um status_code 200, é realmente um erro quando eu verifico sr.url, o que mostrahttps://www.bundesanzeiger.de/pub/en/error-404?9

Indo um pouco mais fundo, percebi que request_urlacima se resolve para algo como

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

mas quando eu verifico o URL da solicitação no Chrome, é na verdade

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

O 87aqui parece mudar, sugerindo que é algum ID de sessão, mas quando estou fazendo isso usando requestsparece não resolver corretamente.

Alguma ideia do que estou perdendo aqui?

Answer 1

Você pode tentar este script para baixar o arquivo 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') ) 

Impressões:

"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

Se você checar https://www.bundesanzeiger.de/robots.txt, este site não gosta de ser indexado. O site pode estar negando acesso ao agente de usuário padrão usado por bots. Isso pode ajudar: solicitações Python x robots.txt