Scrapling

使用 Scrapling 进行网页抓取 - 通过 CLI 和 Python 实现 HTTP 获取、隐蔽浏览器自动化、Cloudflare 绕过以及蜘蛛爬取。

技能元数据


来源	可选 — 使用 `hermes skills install official/research/scrapling` 安装
路径	`optional-skills/research/scrapling`
版本	`1.0.0`
作者	FEUAZUR
许可证	MIT
标签	`Web Scraping`, `Browser`, `Cloudflare`, `Stealth`, `Crawling`, `Spider`
相关技能	`duckduckgo-search`, `domain-intel`

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此技能时加载的完整技能定义。这是技能激活时代理所看到的指令。

Scrapling

Scrapling 是一个具有反机器人绕过、隐蔽浏览器自动化和蜘蛛框架的网页抓取框架。它提供三种获取策略（HTTP、动态 JS、隐蔽/Cloudflare）和完整的 CLI。

此技能仅用于教育和研究目的。 用户必须遵守本地/国际数据抓取法律并尊重网站服务条款。

何时使用

抓取静态 HTML 页面（比浏览器工具更快）
抓取需要真实浏览器的 JS 渲染页面
绕过 Cloudflare Turnstile 或机器人检测
使用蜘蛛爬取多个页面
当内置的 web_extract 工具未返回所需数据时

安装

pip install "scrapling[all]"
scrapling install

最小化安装（仅 HTTP，无浏览器）：

pip install scrapling

仅包含浏览器自动化：

pip install "scrapling[fetchers]"
scrapling install

快速参考

方法	类	适用场景
HTTP	`Fetcher` / `FetcherSession`	静态页面、API、快速批量请求
动态	`DynamicFetcher` / `DynamicSession`	JS 渲染内容、单页应用 (SPA)
隐蔽	`StealthyFetcher` / `StealthySession`	Cloudflare、受反机器人保护的网站
蜘蛛	`Spider`	跟随链接的多页面爬取

CLI 用法

提取静态页面

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

使用 CSS 选择器和浏览器伪装：

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

提取 JS 渲染页面

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

提取受 Cloudflare 保护的页面

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

POST 请求

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

输出格式

输出格式由文件扩展名决定：

.html -- 原始 HTML
.md -- 转换为 Markdown
.txt -- 纯文本
.json / .jsonl -- JSON

Python：HTTP 抓取

单次请求

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)

会话（持久化 Cookie）

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())

POST / PUT / DELETE

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')

使用代理

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

Python：动态页面（JS 渲染）

对于需要执行 JavaScript 的页面（SPA、懒加载内容）：

from scrapling.fetchers import DynamicFetcher

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

等待特定元素

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

禁用资源以提高速度

阻止字体、图片、媒体、样式表（速度提升约 25%）：

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()

自定义页面自动化

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：隐蔽模式（反机器人绕过）

对于受 Cloudflare 保护或具有强指纹识别的网站：

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()

隐蔽会话

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')

元素选择

所有获取器都返回一个具有以下方法的 Selector 对象：

CSS 选择器

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()

查找方法

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

相似元素

查找结构相似的元素（适用于产品列表等）：

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

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

Python：蜘蛛框架

用于跟随链接的多页面爬取：

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")

多会话蜘蛛

将请求路由到不同类型的获取器：

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)

暂停/恢复爬取

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

常见陷阱

需要安装浏览器：pip 安装后运行 scrapling install -- 否则 DynamicFetcher 和 StealthyFetcher 将会失败
超时：DynamicFetcher/StealthyFetcher 的超时单位为毫秒（默认 30000），Fetcher 的超时单位为秒
Cloudflare 绕过：solve_cloudflare=True 会增加 5-15 秒的获取时间 -- 仅在需要时启用
资源使用：StealthyFetcher 运行真实浏览器 -- 限制并发使用
法律合规：抓取前务必检查 robots.txt 和网站服务条款。此库仅用于教育和研究目的
Python 版本：需要 Python 3.10+

技能元数据​

参考：完整 SKILL.md​

Scrapling

何时使用​

安装​

快速参考​

CLI 用法​

提取静态页面​

提取 JS 渲染页面​

提取受 Cloudflare 保护的页面​

POST 请求​

输出格式​

Python：HTTP 抓取​

单次请求​

会话（持久化 Cookie）​

POST / PUT / DELETE​

使用代理​

Python：动态页面（JS 渲染）​

等待特定元素​

禁用资源以提高速度​

自定义页面自动化​

Python：隐蔽模式（反机器人绕过）​

隐蔽会话​

元素选择​

CSS 选择器​

XPath​

查找方法​

相似元素​

导航​

Python：蜘蛛框架​

多会话蜘蛛​

暂停/恢复爬取​

常见陷阱​

技能元数据

参考：完整 SKILL.md

何时使用

安装

快速参考

CLI 用法

提取静态页面

提取 JS 渲染页面

提取受 Cloudflare 保护的页面

POST 请求

输出格式

Python：HTTP 抓取

单次请求

会话（持久化 Cookie）

POST / PUT / DELETE

使用代理

Python：动态页面（JS 渲染）

等待特定元素

禁用资源以提高速度

自定义页面自动化

Python：隐蔽模式（反机器人绕过）

隐蔽会话

元素选择

CSS 选择器

XPath

查找方法

相似元素

导航

Python：蜘蛛框架

多会话蜘蛛

暂停/恢复爬取

常见陷阱