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