MCP HubMCP Hub
Вернуться к навыкам

headless-web-scraping

pjt222
Обновлено 2 days ago
2 просмотров
17
2
17
Посмотреть на GitHub
Дизайнapiautomationdesigndata

О программе

Этот навык обеспечивает надежный веб-скрапинг для сайтов с JavaScript-рендерингом и защитой от ботов, используя трехуровневую систему загрузки библиотеки scrapling. Он автоматически выбирает подходящий метод — от базового HTTP до скрытого Chromium или полной автоматизации браузера — в зависимости от защиты сайта и настраивает безголовый режим просмотра. Разработчикам следует использовать его, когда WebFetch не справляется, и требуется извлечение структурированных данных через CSS-селекторы и обход DOM на сложных страницах.

Быстрая установка

Claude Code

Рекомендуется
Основной
npx skills add pjt222/agent-almanac -a claude-code
Команда плагинаАльтернативный
/plugin add https://github.com/pjt222/agent-almanac
Git клонированиеАльтернативный
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/headless-web-scraping

Скопируйте и вставьте эту команду в Claude Code для установки этого навыка

Документация

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. -->

GitHub репозиторий

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

Похожие навыки

executing-plans

Дизайн

Используйте навык executing-plans, когда у вас есть полный план реализации для выполнения контролируемыми партиями с контрольными точками проверки. Он загружает и критически анализирует план, затем выполняет задачи небольшими партиями (по умолчанию 3 задачи), сообщая о прогрессе между каждой партией для проверки архитектором. Это обеспечивает систематическую реализацию со встроенными контрольными точками проверки качества.

Просмотреть навык

requesting-code-review

Дизайн

Этот навык запускает суб-агента для ревью кода, который анализирует изменения в коде на соответствие требованиям перед дальнейшими действиями. Его следует использовать после завершения задач, реализации крупных функций или перед слиянием с основной веткой. Ревью помогает выявить проблемы на ранней стадии, сравнивая текущую реализацию с исходным планом.

Просмотреть навык

connect-mcp-server

Дизайн

Этот навык предоставляет разработчикам подробное руководство по подключению серверов MCP к Claude Code с использованием транспортов HTTP, stdio или SSE. Он охватывает установку, конфигурацию, аутентификацию и безопасность для интеграции внешних сервисов, таких как GitHub, Notion и пользовательские API. Используйте его при настройке интеграций MCP, конфигурации внешних инструментов или работе с Model Context Protocol от Claude.

Просмотреть навык

web-cli-teleport

Дизайн

Этот навык помогает разработчикам выбирать между веб-интерфейсом Claude Code и CLI на основе анализа задачи, а также обеспечивает бесшовное перемещение сессий между этими средами. Он оптимизирует рабочий процесс, управляя состоянием и контекстом сессии при переключении между веб-интерфейсом, CLI или мобильным приложением. Используйте его для сложных проектов, требующих различных инструментов на разных этапах работы.

Просмотреть навык