headless-web-scraping
Über
Diese Fähigkeit bietet robustes Web-Scraping für JavaScript-rendering- und bot-geschützte Websites unter Verwendung des dreistufigen Fetcher-Systems der Scrapling-Bibliothek. Sie wählt automatisch die geeignete Methode – von einfachem HTTP bis hin zu verdecktem Chromium oder vollständiger Browser-Automatisierung – basierend auf den Website-Verteidigungsmechanismen und konfiguriert headless Browsing. Entwickler sollten sie einsetzen, wenn WebFetch versagt und strukturierte Datenextraktion über CSS-Selektoren und DOM-Traversal auf komplexen Seiten benötigt wird.
Schnellinstallation
Claude Code
Empfohlennpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/headless-web-scrapingKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
Dokumentation
Headless Web Scraping
Extract from resistant pages (JS-rendered, Cloudflare, dynamic SPAs) via scrapling 3-tier fetcher + CSS extraction.
Use When
- JS rendering (SPA, React, Vue)
- Anti-bot (Cloudflare Turnstile, TLS fingerprint)
- Structured multi-element via CSS
WebFetch/requests.get()empty or blocked- Tabular/list/repeated DOM at scale
In
- Required: URL(s)
- Required: data to extract (CSS selectors, field names, target desc)
- Optional: fetcher tier override (default: auto)
- Optional: out format (default JSON; CSV, dict)
- Optional: rate limit sec (default 1)
Do
Step 1: Select tier
# Decision matrix:
# 1. Fetcher — static HTML, no JS, no anti-bot (fastest)
# 2. StealthyFetcher — Cloudflare/Turnstile, TLS fingerprint checks
# 3. DynamicFetcher — JS-rendered SPAs, click/scroll interactions
# Quick probe: try Fetcher first, escalate on failure
from scrapling import Fetcher
fetcher = Fetcher()
response = fetcher.get("https://example.com/target-page")
if response.status == 200 and response.get_all_text():
print("Fetcher tier sufficient")
else:
print("Escalate to StealthyFetcher or DynamicFetcher")
| Signal | Recommended Tier |
|---|---|
| Static HTML, no protection | Fetcher |
| 403/503, Cloudflare challenge page | StealthyFetcher |
| Page loads but content area is empty | DynamicFetcher |
| Need to click buttons or scroll | DynamicFetcher |
| altcha CAPTCHA present | None (cannot be automated) |
→ 1 of 3 tiers. Modern sites → StealthyFetcher usual start.
If err: all 3 blocked → check altcha CAPTCHA (PoW, cannot bypass). Document limitation + manual extraction.
Step 2: Configure
from scrapling import Fetcher, StealthyFetcher, DynamicFetcher
# Tier 1: Fast HTTP with TLS fingerprint impersonation
fetcher = Fetcher()
fetcher.configure(
timeout=30,
retries=3,
follow_redirects=True
)
# Tier 2: Headless Chromium with anti-detection
fetcher = StealthyFetcher()
fetcher.configure(
headless=True,
timeout=60,
network_idle=True # wait for all network requests to settle
)
# Tier 3: Full browser automation
fetcher = DynamicFetcher()
fetcher.configure(
headless=True,
timeout=90,
network_idle=True,
wait_selector="div.results" # wait for specific element before extracting
)
→ Fetcher configured + ready. No err on init. Stealth/Dynamic → Chromium auto-managed first run.
If err:
playwright/ browser binary missing →python -m playwright install chromiumconfigure()timeout → increase timeout or check network- Import err →
pip install scrapling
Step 3: Fetch + extract
# Fetch the page
response = fetcher.get("https://example.com/target-page")
# Single element extraction
title = response.find("h1.page-title")
if title:
print(title.get_all_text())
# Multiple elements
items = response.find_all("div.result-item")
for item in items:
name = item.find("span.name")
price = item.find("span.price")
print(f"{name.get_all_text()}: {price.get_all_text()}")
# Get attribute values
links = response.find_all("a.product-link")
urls = [link.get("href") for link in links]
# Get raw HTML content of an element
detail_html = response.find("div.description").html_content
API ref:
| Method | Purpose |
|---|---|
response.find("selector") | First matching element |
response.find_all("selector") | All matching elements |
element.get("attr") | Attribute value (href, src, data-*) |
element.get_all_text() | All text content, recursively |
element.html_content | Raw inner HTML |
→ Extracted data matches visible content. Non-None elements, non-empty text on populated pages.
If err:
find()→None→ inspectresponse.html_contentfor actual HTML; selectors may differ- Empty
get_all_text()→ shadow DOM / iframe →DynamicFetcherw/wait_selector - NO
.css_first()→ not scrapling API (other lib confusion)
Step 4: Handle failures + edge cases
import time
def scrape_with_fallback(url, selector):
"""Try each fetcher tier in order, with CAPTCHA detection."""
tiers = [
("Fetcher", Fetcher),
("StealthyFetcher", StealthyFetcher),
("DynamicFetcher", DynamicFetcher),
]
for tier_name, tier_class in tiers:
fetcher = tier_class()
fetcher.configure(headless=True, timeout=60)
try:
response = fetcher.get(url)
except Exception as error:
print(f"{tier_name} failed: {error}")
continue
# Detect CAPTCHA / challenge pages
page_text = response.get_all_text().lower()
if "altcha" in page_text or "proof of work" in page_text:
print(f"altcha CAPTCHA detected -- cannot automate")
return None
if response.status == 403 or response.status == 503:
print(f"{tier_name} blocked (HTTP {response.status}), escalating")
continue
result = response.find(selector)
if result and result.get_all_text().strip():
return result.get_all_text()
print(f"{tier_name} returned empty content, escalating")
print("All tiers exhausted. Manual extraction required.")
return None
→ Returns text on success, None + diagnostic on fail. CAPTCHA detected + reported not retried.
If err:
- All 403 → site blocks all automation (WIPO, TMview, gov DBs). Document as manual access.
- Timeout → slow CDN → increase to 120s.
- Session/cookie errs → login required → add cookie handling / auth.
Step 5: Rate limit + ethical
import time
import urllib.robotparser
def check_robots_txt(base_url, target_path):
"""Check if scraping is allowed by robots.txt."""
rp = urllib.robotparser.RobotFileParser()
rp.set_url(f"{base_url}/robots.txt")
rp.read()
return rp.can_fetch("*", f"{base_url}{target_path}")
def scrape_urls(urls, selector, delay=1.0):
"""Scrape multiple URLs with rate limiting."""
results = []
fetcher = StealthyFetcher()
fetcher.configure(headless=True, timeout=60)
for url in urls:
response = fetcher.get(url)
data = response.find(selector)
if data:
results.append(data.get_all_text())
time.sleep(delay) # respect the server
return results
Ethical checklist:
robots.txtfirst → respectDisallow- Min 1-sec delay
- Descriptive User-Agent
- No personal data w/o legal basis
- Cache locally → avoid redundant reqs
- 429 → stop immediately
→ Controlled rate. robots.txt checked pre-bulk. No 429.
If err:
- 429 → increase delay 3-5 sec, or stop + retry later
robots.txtdisallow → respect, do not override- IP ban → stop immediately. If legit access (public, ToS-permit, robots-respect) must continue → see
rotate-scraping-proxiesfor network-layer escalation
Check
- Correct tier (not over/under)
-
configure()used (not deprecated constructor kwargs) - Selectors match actual structure (verified vs source)
-
.find()/.find_all()used (not.css_first()) - CAPTCHA detection (altcha reported, not retried)
- Rate limit for multi-URL
-
robots.txtchecked pre-bulk - Extracted data non-empty + correct
Traps
.css_first()instead.find(): scrapling uses.find()/.find_all()..css_first()= diff lib →AttributeError.- Start w/ DynamicFetcher: try Fetcher first. Dynamic 10-50× slower (full browser startup).
- Constructor kwargs: scrapling v0.4.x deprecated → always
configure(). - Ignore altcha: no tier solves altcha PoW → detect early + fallback manual.
- No rate limit: even w/o 429 → IP ban / service degradation.
- Stable selectors: CSS changes frequently → validate before each campaign.
→
rotate-scraping-proxies— network-layer escalation when client-side stealth exhausteduse-graphql-api— GraphQL endpoint > scrapingserialize-data-formats— JSON/CSV conversiondeploy-searxng— self-hosted aggregatorforage-solutions— broader info gathering
GitHub Repository
Verwandte Skills
executing-plans
DesignVerwenden Sie die Fähigkeit "executing-plans", wenn Sie einen vollständigen Implementierungsplan zur Ausführung in kontrollierten Batches mit Überprüfungspunkten vorliegen haben. Sie lädt den Plan und überprüft ihn kritisch, führt dann Aufgaben in kleinen Batches (standardmäßig 3 Aufgaben) aus und meldet den Fortschritt zwischen jedem Batch zur Überprüfung durch den Architekten. Dies gewährleistet eine systematische Implementierung mit integrierten Qualitätskontrollpunkten.
requesting-code-review
DesignDiese Fähigkeit sendet einen Unteragenten für Code-Review, um Codeänderungen anhand der Anforderungen zu analysieren, bevor fortgefahren wird. Sie sollte nach dem Abschließen von Aufgaben, der Implementierung größerer Funktionen oder vor dem Zusammenführen in den Hauptzweig verwendet werden. Die Überprüfung hilft dabei, Probleme frühzeitig zu erkennen, indem die aktuelle Implementierung mit dem ursprünglichen Plan verglichen wird.
connect-mcp-server
DesignDiese Fähigkeit bietet Entwicklern eine umfassende Anleitung, um MCP-Server über HTTP-, stdio- oder SSE-Transports mit Claude Code zu verbinden. Sie behandelt Installation, Konfiguration, Authentifizierung und Sicherheit für die Integration externer Dienste wie GitHub, Notion und benutzerdefinierter APIs. Nutzen Sie sie beim Einrichten von MCP-Integrationen, bei der Konfiguration externer Tools oder bei der Arbeit mit Claude's Model Context Protocol.
web-cli-teleport
DesignDiese Fähigkeit unterstützt Entwickler bei der Wahl zwischen Claude Code Web- und CLI-Schnittstellen basierend auf Aufgabenanalysen und ermöglicht nahtloses Session-Teleporting zwischen diesen Umgebungen. Sie optimiert den Workflow, indem sie den Sitzungsstatus und Kontext beim Wechsel zwischen Web, CLI oder Mobilgeräten verwaltet. Nutzen Sie sie für komplexe Projekte, die in verschiedenen Phasen unterschiedliche Werkzeuge erfordern.
