MCP HubMCP Hub
Retour aux compétences

headless-web-scraping

pjt222
Mis à jour 2 days ago
1 vues
17
2
17
Voir sur GitHub
Designapiautomationdesigndata

À propos

Cette compétence offre un web scraping robuste pour les sites protégés contre les bots et utilisant du JavaScript, grâce au système à trois niveaux de récupération de la bibliothèque scrapling. Elle sélectionne automatiquement la méthode appropriée – du HTTP basique au Chromium furtif ou à l'automatisation complète du navigateur – en fonction des défenses du site et configure la navigation sans affichage. Les développeurs doivent l'utiliser lorsque WebFetch échoue, nécessitant une extraction de données structurées via des sélecteurs CSS et une traversée du DOM sur des pages complexes.

Installation rapide

Claude Code

Recommandé
Principal
npx skills add pjt222/agent-almanac -a claude-code
Commande PluginAlternatif
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternatif
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/headless-web-scraping

Copiez et collez cette commande dans Claude Code pour installer cette compétence

Documentation

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")
SignalRecommended Tier
Static HTML, no protectionFetcher
403/503, Cloudflare challenge pageStealthyFetcher
Page loads but content area is emptyDynamicFetcher
Need to click buttons or scrollDynamicFetcher
altcha CAPTCHA presentNone (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 chromium
  • configure() 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:

MethodPurpose
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_contentRaw inner HTML

→ Extracted data matches visible content. Non-None elements, non-empty text on populated pages.

If err:

  • find()None → inspect response.html_content for actual HTML; selectors may differ
  • Empty get_all_text() → shadow DOM / iframe → DynamicFetcher w/ 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:

  1. robots.txt first → respect Disallow
  2. Min 1-sec delay
  3. Descriptive User-Agent
  4. No personal data w/o legal basis
  5. Cache locally → avoid redundant reqs
  6. 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.txt disallow → respect, do not override
  • IP ban → stop immediately. If legit access (public, ToS-permit, robots-respect) must continue → see rotate-scraping-proxies for 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.txt checked 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 exhausted
  • use-graphql-api — GraphQL endpoint > scraping
  • serialize-data-formats — JSON/CSV conversion
  • deploy-searxng — self-hosted aggregator
  • forage-solutions — broader info gathering
<!-- Keep under 500 lines. Extract large examples to references/EXAMPLES.md if needed. -->

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/caveman-ultra/skills/headless-web-scraping
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Compétences associées

executing-plans

Design

Utilisez 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.

Voir la compétence

requesting-code-review

Design

Cette 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.

Voir la compétence

connect-mcp-server

Design

Cette 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.

Voir la compétence

web-cli-teleport

Design

Cette 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.

Voir la compétence