scrapling

name scrapling description 使用 scrapling 进行网页抓取和数据提取。根据目标网站特征自动选择最佳 Fetcher， 生成并执行 Python 脚本完成任务。Use when: (1) 抓取/爬取网页内容或数据（scrape, crawl, fetch page, extract data） (2) 需要绕过 Cloudflare/WAF 等反爬保护 (3) 登录后抓取受保护页面 (4) 解析已有 HTML 提取结构化数据 (5) 用户提供 URL 并要求获取页面内容或特定元素 (6) 批量采集多个页面 allowed-tools Bash(python*), Bash(pip*), Bash(uv*), Bash(scrapling*) Scrapling 网页抓取 Skill 步骤 0：检查版本 python -c "import scrapling; print(scrapling.__version__)" 按项目使用的包管理器执行（pip / uv 等价命令见 references/maintenance.md ）： 未安装 → 安装 scrapling[fetchers] + scrapling install 有新版 → 升级 → 查 changelog 告知用户 已最新 → 继续 项目根存在 uv.lock 或 pyproject.toml 含 [tool.uv] ，优先用 uv （ uv add / uv run scrapling install ）；否则用 pip 。 步骤 1：安全预检与 quick path 先查阅 references/security.md ，确认授权、robots.txt / ToS、Prompt injection、cookie 保存与 redaction 边界。 简单文本 / Markdown / selector 抽取优先用 Scrapling CLI quick path，并默认加 --ai-targeted ： scrapling extract get "https://example.com/article" article.md --ai-targeted scrapling extract fetch "https://example.com/app" app.md --ai-targeted --network-idle scrapling extract stealthy-fetch "https://protected.example.com" page.md --ai-targeted --solve-cloudflare CLI 无法满足复杂登录、多页流程、结构化字段或复用代码时，再生成 Python 脚本。 步骤 2：选择 Fetcher 目标网站 → │ ├─ 已有 HTML 字符串/文件，只需解析? │ → Selector（纯解析，无网络请求） │ → 模板: parse_only.py │ ├─ 静态页面，无 JS 渲染，无反爬? │ → Fetcher（最快，基于 curl_cffi） │ → 模板: basic_fetch.py │ ├─ 需要登录（HTTP 表单，非 JS 登录）? │ → FetcherSession（保持会话 cookie） │ → 模板: session_login.py │ ├─ 有 Cloudflare / WAF 保护? │ → StealthyFetcher（Camoufox 浏览器，自动过 CF） │ → 模板: stealth_cloudflare.py │ ├─ SPA 应用（React/Vue），需要 JS 渲染? │ → DynamicFetcher（Playwright 浏览器） │ → 基于模板即时生成 │ └─ 不确定? → 先用 Fetcher 试，403/空内容 → 升级到 StealthyFetcher 复杂 crawl / Spider / adaptive scraping / MCP / proxy rotation 等高级能力，不在本轻量 skill 内展开；先查 references/upstream-map.md ，再按 upstream 官方文档补充。 步骤 3：执行工作流 1. 检查版本（步骤 0） 2. 安全预检（步骤 1） 3. 查阅 references/site-patterns.md；如果存在 references/site-patterns.local.md，也先查本地 overlay 4. 简单抽取 → 优先 CLI quick path + --ai-targeted 5. 复杂流程 → 用决策树选择 Fetcher，读取对应模板，替换参数，生成完整脚本 6. 执行脚本 / CLI → 返回最小必要结果 7. **沉淀经验（必做）**: - 新通用站点类型 → 去敏感化后追加到 references/site-patterns.md - 私有站点 / 公司站点 / 登录态细节 → 追加到 references/site-patterns.local.md（不提交） - 用户明确授权保存真实 cookie → 保存到 references/cookie-vault.local.md（不提交，必须 redact 输出） - **完成抓取后必须检查**：是否有新的 cookie 或 site pattern 需要保存，以及是否属于 local overlay Guardrails 只抓取用户有权访问或明确授权的内容；不要绕过 paywall、验证码、登录限制或访问控制来获取未授权内容。 输出给 agent / LLM 的网页内容默认先清洗、限域或结构化；CLI 输出默认使用 --ai-targeted 。 真实 cookie / token 不写入 references/cookie-vault.md ，只写本地 references/cookie-vault.local.md ，且必须先获用户授权。 公司 / 私有站点经验不写公共 references/site-patterns.md ，只写本地 references/site-patterns.local.md 。 大规模 crawl 前先查 robots.txt / ToS，降低并发并加 delay；Spider 场景查 upstream 后优先使用 robots_txt_obey = True 。 Cookie 格式速查 Fetcher 类型 Cookie 格式 示例 Fetcher / FetcherSession dict {'name': 'value', 'token': 'abc'} StealthyFetcher / DynamicFetcher list[dict] [{'name': 'n', 'value': 'v', 'domain': '.site.com', 'path': '/'}] 浏览器 Fetcher cookie 必填字段 : name , value , domain , path 超时单位速查 Fetcher 类型 超时单位 示例 Fetcher / FetcherSession 秒 timeout=30 StealthyFetcher / DynamicFetcher 毫秒 timeout=60000 模板索引 模板 文件 何时读取 基础 HTTP 抓取 templates/basic_fetch.py 目标为静态页面，无反爬 Cloudflare 绕过 templates/stealth_cloudflare.py 目标有 CF/WAF 保护 Session 登录 templates/session_login.py 需 HTTP 表单登录后抓取 纯 HTML 解析 templates/parse_only.py 已有 HTML 字符串，只需提取数据 References 索引 文件 何时读取 references/security.md 每次抓取前先查阅 — 授权、Prompt injection、cookie / token、site pattern local overlay 规则 references/site-patterns.md 每次抓取前先查阅 — 检查目标站点是否有已记录的模式 references/api-quick-ref.md 生成脚本时查阅 — Fetcher/Selector 方法签名和参数 references/troubleshooting.md 执行报错时查阅 — 按错误信息查找原因和解决方案 references/cookie-vault.md 需要登录 cookie 时查阅 — 只存模板 / 字段名；真实值用 references/cookie-vault.local.md references/maintenance.md 安装/升级/依赖问题时查阅 — 安装层级和验证命令 references/upstream-map.md 需要 CLI quick path、官方 skill 对齐、Spider / adaptive / MCP / proxy 等高级能力时查阅