🏠 Главная › user guide › research scrapling

{/ Эта страница автоматически создается на основе файла SKILL.md навыка с помощью сайта site/scripts/generate-skill-docs.py. Редактируйте исходный код SKILL.md, а не эту страницу. /}

Скрэблинг

Парсинг веб-страниц с помощью Scrapling — HTTP-загрузка, скрытая автоматизация браузера, обход Cloudflare и сканирование «пауками» через CLI и Python.

Метаданные навыков
Источник Необязательно — установка с помощью hermesskills installofficial/research/scrapling
Путь необязательные навыки/исследования/скрапинг
Версия 1.0.0
Автор ФЕАЗЮР
Лицензия Массачусетский технологический институт
Платформы Linux, MacOS, Windows
Теги Веб-скрапинг, Браузер, Cloudflare, Стелс, Сканирование, Паук
Сопутствующие навыки duckduckgo-search, domain-intel

Ссылка: полная версия SKILL.md:::информация

Ниже приведено полное определение навыка, которое Гермес загружает при активации этого навыка. Это то, что агент видит в качестве инструкций, когда навык активен.

Скрэблинг

Scrapling — это фреймворк для парсинга веб-страниц с обходом защиты от ботов, скрытой автоматизацией браузера и фреймворком-пауком. Он предоставляет три стратегии получения данных (HTTP, динамический JS, скрытность/Cloudflare) и полный интерфейс командной строки.

Этот навык предназначен только для образовательных и исследовательских целей. Пользователи должны соблюдать местные и международные законы о сборе данных и соблюдать Условия обслуживания веб-сайта.

Когда использовать

Установка

pip install "scrapling[all]"
scrapling install

Минимальная установка (только HTTP, без браузера):

pip install scrapling

Только при использовании автоматизации браузера:

pip install "scrapling[fetchers]"
scrapling install

Краткий справочник

Подход Класс Используйте, когда
HTTP Fetcher / FetcherSession Статические страницы, API, быстрые массовые запросы
Динамический DynamicFetcher / DynamicSession JS-рендеринг контента, SPA
Стелс StealthyFetcher / StealthySession Cloudflare, сайты, защищенные от ботов
Паук Паук Многостраничное сканирование с переходом по ссылкам

Использование CLI

Извлечь статическую страницу

scrapling extract get 'https://example.com' output.md

С селектором CSS и олицетворением браузера:

scrapling extract get 'https://example.com' output.md \
  --css-selector '.content' \
  --impersonate 'chrome'

Извлечение страницы, обработанной JS

scrapling extract fetch 'https://example.com' output.md \
  --css-selector '.dynamic-content' \
  --disable-resources \
  --network-idle

Извлечение страницы, защищенной Cloudflare

scrapling extract stealthy-fetch 'https://protected-site.com' output.html \
  --solve-cloudflare \
  --block-webrtc \
  --hide-canvas

POST-запрос

scrapling extract post 'https://example.com/api' output.json \
  --json '{"query": "search term"}'

Выходные форматы

Выходной формат определяется расширением файла: - .html -- необработанный HTML - .md -- преобразовано в Markdown - .txt -- обычный текст - .json / .jsonl -- JSON

Python: парсинг HTTP

Одиночный запрос

from scrapling.fetchers import Fetcher

page = Fetcher.get('https://quotes.toscrape.com/')
quotes = page.css('.quote.text::text').getall()
for q in quotes:
    print(q)

from scrapling.fetchers import FetcherSession

with FetcherSession(impersonate='chrome') as session:
    page = session.get('https://example.com/', stealthy_headers=True)
    links = page.css('a::attr(href)').getall()
    for link in links[:5]:
        sub = session.get(link)
        print(sub.css('h1::text').get())

ОТПРАВИТЬ/ПОСТАВИТЬ/УДАЛИТЬ

page = Fetcher.post('https://api.example.com/data', json={"key": "value"})
page = Fetcher.put('https://api.example.com/item/1', data={"name": "updated"})
page = Fetcher.delete('https://api.example.com/item/1')

С прокси

page = Fetcher.get('https://example.com', proxy='http://user:pass@proxy:8080')

Python: динамические страницы (JS-рендеринг)

Для страниц, требующих выполнения JavaScript (SPA, лениво загружаемый контент):

from scrapling.fetchers import DynamicFetcher

page = DynamicFetcher.fetch('https://example.com', headless=True)
data = page.css('.js-loaded-content::text').getall()

Ожидание определенного элемента

page = DynamicFetcher.fetch(
    'https://example.com',
    wait_selector=('.results', 'visible'),
    network_idle=True,
)

Отключить ресурсы для повышения скорости

Блокирует шрифты, изображения, мультимедиа, таблицы стилей (~ на 25 % быстрее):

from scrapling.fetchers import DynamicSession

with DynamicSession(headless=True, disable_resources=True, network_idle=True) as session:
    page = session.fetch('https://example.com')
    items = page.css('.item::text').getall()

Автоматизация пользовательских страниц

from playwright.sync_api import Page
from scrapling.fetchers import DynamicFetcher

def scroll_and_click(page: Page):
    page.mouse.wheel(0, 3000)
    page.wait_for_timeout(1000)
    page.click('button.load-more')
    page.wait_for_selector('.extra-results')

page = DynamicFetcher.fetch('https://example.com', page_action=scroll_and_click)
results = page.css('.extra-results.item::text').getall()

Python: скрытый режим (обход защиты от ботов)

Для сайтов, защищенных Cloudflare или сильно защищенных отпечатками пальцев:

from scrapling.fetchers import StealthyFetcher

page = StealthyFetcher.fetch(
    'https://protected-site.com',
    headless=True,
    solve_cloudflare=True,
    block_webrtc=True,
    hide_canvas=True,
)
content = page.css('.protected-content::text').getall()

Скрытый сеанс

from scrapling.fetchers import StealthySession

with StealthySession(headless=True, solve_cloudflare=True) as session:
    page1 = session.fetch('https://protected-site.com/page1')
    page2 = session.fetch('https://protected-site.com/page2')

Выбор элемента

Все сборщики возвращают объект Selector с помощью следующих методов:

CSS-селекторы

page.css('h1::text').get()              # First h1 text
page.css('a::attr(href)').getall()      # All link hrefs
page.css('.quote.text::text').getall() # Nested selection

XPath

page.xpath('//div[@class="content"]/text()').getall()
page.xpath('//a/@href').getall()

Найти методы

page.find_all('div', class_='quote')       # By tag + attribute
page.find_by_text('Read more', tag='a')    # By text content
page.find_by_regex(r'\$\d+\.\d{2}')       # By regex pattern

Подобные элементы

Найдите элементы со схожей структурой (полезно для списков товаров и т. д.):

first_product = page.css('.product')[0]
all_similar = first_product.find_similar()

Навигация

el = page.css('.target')[0]
el.parent                # Parent element
el.children              # Child elements
el.next_sibling          # Next sibling
el.prev_sibling          # Previous sibling

Python: фреймворк Spider

Для многостраничного сканирования со следующей ссылкой:

from scrapling.spiders import Spider, Request, Response

class QuotesSpider(Spider):
    name = "quotes"
    start_urls = ["https://quotes.toscrape.com/"]
    concurrent_requests = 10
    download_delay = 1

    async def parse(self, response: Response):
        for quote in response.css('.quote'):
            yield {
                "text": quote.css('.text::text').get(),
                "author": quote.css('.author::text').get(),
                "tags": quote.css('.tag::text').getall(),
            }

        next_page = response.css('.next a::attr(href)').get()
        if next_page:
            yield response.follow(next_page)

result = QuotesSpider().start()
print(f"Scraped {len(result.items)} quotes")
result.items.to_json("quotes.json")

Многосессионный паук

Направляйте запросы к различным типам сборщиков:

from scrapling.fetchers import FetcherSession, AsyncStealthySession

class SmartSpider(Spider):
    name = "smart"
    start_urls = ["https://example.com/"]

    def configure_sessions(self, manager):
        manager.add("fast", FetcherSession(impersonate="chrome"))
        manager.add("stealth", AsyncStealthySession(headless=True), lazy=True)

    async def parse(self, response: Response):
        for link in response.css('a::attr(href)').getall():
            if "protected" in link:
                yield Request(link, sid="stealth")
            else:
                yield Request(link, sid="fast", callback=self.parse)

Пауза/возобновление сканирования

spider = QuotesSpider(crawldir="./crawl_checkpoint")
spider.start()  # Ctrl+C to pause, re-run to resume from checkpoint

Подводные камни