El pdf en cuestión se muestra en un <iframe>
, que en el fondo es otra página (que podría estar en otro servidor) que se muestra incrustada en la que estás viendo.
Desde el punto de vista del scraping, el contenido del iframe
no forma parte de la página actual, y para poder acceder a sus contenidos, deberías hacer un GET a la URL de ese iframe
, que en este caso es http://www.cembre.es/flexPaper/CG_S/index.html
Una vez has recuperado el HTML de esa otra página, puedes seguir haciendo scraping en la misma. En este caso, el HTML que descargas apenas contiene nada, pues es un reproductor basado en JavaScript para ver documentos página a página, y toda la interfaz de ese reproductor (incluyendo el botón para descargarlo) no forma parte del HTML que obtienes, sino que es creado dinámicamente al ejecutar el JavaScript pertinente.
Ya que python no puede ejecutar javascript la solución habitual en este tipo de páginas creadas dinámicamente es utilizar Selenium. Esta solución usa un navegador real (Chrome, Firefox) pero "teledirigido" desde python, que simula las acciones del usuario como pinchar botones, etc. y puede acceder al documento resultante tras la ejecución del javascript en ese navegador.
Por suerte en este caso quizás no sea necesaria tanta complicación, ya que en el HTML que hemos bajado del Frame podemos ver algo como:
<script type="text/javascript">
// viewer start
$('#documentViewer').FlowPaperViewer(
{ config : {
PDFFile : 'docs/CG_S_[*,2,true].pdf?reload=1544537052019',
IMGFiles : 'docs/CG_S.pdf_{page}.jpg?reload=1544537052019',
HighResIMGFiles : '',
JSONFile : 'docs/CG_S.pdf_{page}.bin?reload=1544537052019',
JSONDataType : 'lz',
ThumbIMGFiles : 'docs/CG_S.pdf_{page}_thumb.jpg?reload=1544537052019',
SWFFile : '',
FontsToLoad : null,
Scale : 0.1,
ZoomTransition : 'easeOut',
...etc...
y entre esos parámetros podemos "entrever" que la ruta para acceder al documento sería docs/CG_S.pdf
. Efectivamente, si haces un GET a la URL http://www.cembre.es/flexPaper/CG_S/docs/CG_S.pdf
obtienes el documento.
Automatizar esto puede no ser sencillo. Quizás lo más simple sería utilizar una expresión regular para encontrar dentro del HTML del iframe el texto
IMGFiles : 'docs/CG_S.pdf_{page}.jpg?reload=1544537052019
y extraer de esa línea la ruta docs/CG_S.pdf
, concatenarla a la ruta de la que se descargó el iframe, y así construir la ruta al pdf.