2b1a272982341248ec8c3d788a3a21c01962831a
[toast/webscraper/bob.git] / bob_download.py
1 #!/usr/bin/python3
2 import os
3 import re
4 import time
5 import requests
6 from bs4 import BeautifulSoup
7
8 user_name = '4369911111111' # user name is phone number
9 password = 'abcdefg' # login password
10 dest_dir = '/tmp/bob'
11
12
13 session = requests.Session()
14 additional_headers = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'} # otherwise site with content '<HTML></HTML>' is returned
15
16 # load login page
17 main_url = 'https://rechnung.bob.at/'
18 response = session.get(main_url, headers=additional_headers)
19 html = BeautifulSoup(response.text, 'html.parser')
20
21 # fill out login form (name='asmpform') with username=<phone number> and password
22 form = html.find(attrs={'name': 'asmpform'})
23 fields = {e['name']: e.get('value', '') for e in form.find_all('input', {'name': True}) if e['name'] != 'submit'}
24 assert 'loginMsisdn' in fields # user name
25 fields['loginMsisdn'] = user_name # e.g. '4369911111111'
26 assert 'kkw' in fields # password
27 fields['kkw'] = password
28
29 # load overview page
30 response = session.post(form['action'], data=fields, headers=additional_headers)
31
32 # reload overview page rechnung.bob.at - that makes the URLs in the page much prettier
33 # previously:
34 # https://rechnung.bob.at/bill/pdf/;BOBOBPSESSIONID=B7DB9938A3B9541E3D0EB6CD728F54C0.obpBobCustomer4Rechnungskopie_1509_523260091_1.pdf?bsn=61
35 # same after reload:
36 # '/bill/pdf/Rechnungskopie_1509_523260091_1.pdf?bsn=61'
37 response = session.get(main_url, headers=additional_headers)
38 html = BeautifulSoup(response.text, 'html.parser')
39
40 # Download PDFs
41 # Links look like '/bill/pdf/Rechnungskopie_1509_523260091_1.pdf?bsn=61'
42 regexp = re.compile(r'\/(Rechnungskopie_.*)\?')
43 links = html.findAll('a', href=regexp)
44 for link in links:
45     url = link['href']
46     filename = regexp.search(url).group(1)
47     assert filename.startswith('Rechnungskopie_')
48     filepath = os.path.join(dest_dir, filename)
49     if not os.path.exists(filepath):
50         response = session.get(main_url[:-1] + url)
51         assert response.status_code == 200
52         with open(filepath, 'wb') as file:
53             file.write(response.content)
54
55 # Download CSVs
56 # Links look like '/bill.set.obp?bsn=61'
57 regexp = re.compile(r'\/bill.set.obp\?')
58 links = html.findAll('a', href=regexp)
59 for link in links:
60     url = link['href']
61     response = session.get(main_url[:-1] + url)
62     assert response.status_code == 200
63     assert 'OBP.utils.reloadAfterDelay("/bill.ctn.cdr.set.obp",5);' in response.text
64     time.sleep(5) # OBP.utils.reloadAfterDelay("/bill.ctn.cdr.set.obp",5);
65     response = session.get(main_url + 'bill.ctn.cdr.set.obp')
66     assert 'OBP.utils.reloadAfterDelay("/bill.ctn.cdr.set.obp",5);' not in response.text
67     html = BeautifulSoup(response.text, 'html.parser')
68     assert html.find('a', id='link_csv_download') is not None
69     response = session.get('https://rechnung.bob.at/download.table.obp?fmt=TAB&table=obp.calls.table', headers=additional_headers)
70     assert response.status_code == 200
71     filename = response.headers['Content-Disposition'].split('=')[1] # e.g. 'EVN_1509_523260091_1_069911934859.txt'
72     assert filename.startswith('EVN_')
73     filepath = os.path.join(dest_dir, filename)
74     if not os.path.exists(filepath):
75         with open(filepath, 'wb') as file:
76             file.write(response.content)
77