headless-web-scraping
À propos
Cette compétence permet un web scraping robuste grâce à la bibliothèque scrapling, en sélectionnant automatiquement parmi les niveaux HTTP, Chromium furtif ou automatisation complète du navigateur pour contourner les protections anti-bots. Elle extrait des données structurées via des sélecteurs CSS à partir de pages rendues en JavaScript que les récupérateurs HTTP simples ne peuvent pas traiter. Utilisez-la lorsque vous avez besoin de scraper des applications monopages dynamiques, des sites protégés par Cloudflare, ou d'effectuer une traversée complexe du DOM pour l'extraction de multiples éléments.
Installation rapide
Claude Code
Recommandénpx 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-scrapingCopiez et collez cette commande dans Claude Code pour installer cette compétence
Documentation
無頭網抓
由拒簡 HTTP 請求之網頁——JS 渲染、Cloudflare 護、動態 SPA——用 scrapling 三層取器架構與 CSS 析取。
用
- 目標頁需 JS 渲(SPA、React、Vue)
- 站有反爬護(Cloudflare Turnstile、TLS 指紋察)
- 需用 CSS 選多元素之結構析取
- 簡單
WebFetch或requests.get()返空或封 - 大量取表數、鏈列、重複 DOM 構
入
- 必:目標 URL 或列
- 必:所取之數(CSS 選、欄名或目標元素之描)
- 可:取器層覆(默:依站動自擇)
- 可:出格式(默 JSON;替 CSV、Python dict)
- 可:率限(秒,默 1)
行
一:擇取器層
定哪 scrapling 取器合目標站之護。
# 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) |
得:三層之一已定。多現代站→StealthyFetcher 為正確起點。
敗:三層皆封→察站是否用 altcha CAPTCHA(工作量證明,不可繞)。若然,書限並予手取指示。
二:配取器
設所擇取器之合適選項。
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
)
得:取器實例已配備就。實例化無誤。StealthyFetcher 與 DynamicFetcher 皆有 Chromium 二進制(scrapling 於首行自管)。
敗:
playwright或瀏覽器二進制缺→行python -m playwright install chromiumconfigure()超時→增超時或察網連- 導入誤→裝 scrapling:
pip install scrapling
三:取頁並析數
導至目標 URL,用 CSS 選析取結構數據。
# 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
關鍵 API 參考:
| 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 |
得:所析數符頁之可見內容。元素非 None,文非空(於有內容頁)。
敗:
find()返None→察實際 HTML(response.html_content)驗選。頁或用異類名get_all_text()文空→內容或於 shadow DOM 或 iframe;試DynamicFetcher配wait_selector- 勿用
.css_first()——非 scrapling API(常與他庫混)
四:處失敗與邊例
為 CAPTCHA 察、空返、會話需實回退邏輯。
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
得:函於成返所析文,或於諸層皆敗時返 None 含診斷訊。CAPTCHA 頁察並報,非無限重試。
敗:
- 諸層皆 403→站封諸自動訪(WIPO、TMview、某政府庫常);書 URL 需手訪
- 超時誤→頁或在慢 CDN 後;增超時至 120s
- 會話/cookie 誤→站或需登;加 cookie 處理或先認證
五:率限與倫理爬
大規模前實延並敬站策。
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
倫理爬查單:
- 爬前察
robots.txt——敬Disallow指令 - 請求間至少 1 秒延
- 可時以描述 User-Agent 識爬器
- 無法據勿爬人資
- 本地緩以避冗請
- 受 429(請求過多)→立停
得:爬以控率行。大量前 robots.txt 已察。無 429 返現。
敗:
- 429 Too Many Requests→增延至 3-5 秒,或停後試
robots.txt禁徑→敬指令;勿覆- IP 禁→即停爬;率限不足。若訪合法(公數、ToS 允、robots.txt 敬)且須續→參 rotate-scraping-proxies 之網層升級
驗
- 正確取器層已擇(非過強或弱)
- 用
configure()方法(非棄構造器關鍵字) - CSS 選符實頁構(對頁源驗)
- 用
.find()/.find_all()API(非.css_first()或他庫方法) - CAPTCHA 察就位(altcha 頁報,非試)
- 多 URL 爬時率限已實
- 大量前
robots.txt已察 - 析數非空且結構正確
忌
- 用
.css_first()非.find():scrapling 用.find()與.find_all()選元素——.css_first()屬他庫,將發AttributeError - 始於 DynamicFetcher:恆先試
Fetcher,後升級——DynamicFetcher因全瀏啟而 10-50 倍慢 - 用構造器關鍵字非
configure():scrapling v0.4.x 已棄構造器選;恆用configure() - 忽 altcha CAPTCHA:無取器層可解 altcha 工作量證明——早察之並回退手指
- 無率限:即站不返 429,激爬亦可致 IP 禁或服務退
- 假選器穩:網站 CSS 類變頻——各爬前對當前頁源驗選
參
<!-- Keep under 500 lines. Extract large examples to references/EXAMPLES.md if needed. -->Dépôt GitHub
Compétences associées
executing-plans
DesignUtilisez la compétence executing-plans lorsque vous disposez d'un plan de mise en œuvre complet à exécuter par lots contrôlés avec des points de contrôle de revue. Elle charge et examine le plan de manière critique, puis exécute les tâches par petits lots (3 tâches par défaut) tout en rapportant la progression entre chaque lot pour une revue par l'architecte. Cela garantit une mise en œuvre systématique avec des points de contrôle de qualité intégrés.
requesting-code-review
DesignCette compétence délègue un sous-agent réviseur de code pour analyser les modifications apportées au code par rapport aux exigences avant de poursuivre. Elle doit être utilisée après avoir terminé des tâches, implémenté des fonctionnalités majeures, ou avant une fusion vers la branche principale. La revue aide à détecter précocement les problèmes en comparant l'implémentation actuelle avec le plan initial.
connect-mcp-server
DesignCette compétence fournit un guide complet permettant aux développeurs de connecter des serveurs MCP à Claude Code via les transports HTTP, stdio ou SSE. Elle couvre l'installation, la configuration, l'authentification et la sécurité pour intégrer des services externes tels que GitHub, Notion et des API personnalisées. Utilisez-la lors de la configuration d'intégrations MCP, de la configuration d'outils externes ou du travail avec le Protocole de Contexte de Modèle de Claude.
web-cli-teleport
DesignCette compétence aide les développeurs à choisir entre les interfaces Web et CLI de Claude Code en fonction de l'analyse des tâches, puis permet une téléportation transparente des sessions entre ces environnements. Elle optimise le flux de travail en gérant l'état et le contexte de la session lors du passage entre le web, la CLI ou le mobile. Utilisez-la pour des projets complexes nécessitant différents outils à diverses étapes.
