freedak/Scrapling

Fork 0

Files

T

Karim shoair cd73d901ab docs: adjustments

2026-03-07 18:54:29 +02:00

24 KiB

Raw Blame History

Effortless Web Scraping for the Modern Web

选择方法 · 选择Fetcher · 爬虫 · 代理轮换 · CLI · MCP模式

Scrapling是一个自适应Web Scraping框架，能处理从单个请求到大规模爬取的一切需求。

它的解析器能够从网站变化中学习，并在页面更新时自动重新定位您的元素。它的Fetcher能够开箱即用地绕过Cloudflare Turnstile等反机器人系统。它的Spider框架让您可以扩展到并发、多Session爬取，支持暂停/恢复和自动Proxy轮换——只需几行Python代码。一个库，零妥协。

极速爬取，实时统计和Streaming。由Web Scraper为Web Scraper和普通用户而构建，每个人都能找到适合自己的功能。

from scrapling.fetchers import Fetcher, AsyncFetcher, StealthyFetcher, DynamicFetcher
StealthyFetcher.adaptive = True
p = StealthyFetcher.fetch('https://example.com', headless=True, network_idle=True)  # 隐秘地获取网站！
products = p.css('.product', auto_save=True)                                        # 抓取在网站设计变更后仍能存活的数据！
products = p.css('.product', adaptive=True)                                         # 之后，如果网站结构改变，传递 `adaptive=True` 来找到它们！

或扩展为完整爬取

from scrapling.spiders import Spider, Response

class MySpider(Spider):
  name = "demo"
  start_urls = ["https://example.com/"]

  async def parse(self, response: Response):
      for item in response.css('.product'):
          yield {"title": item.css('h2::text').get()}

MySpider().start()

铂金赞助商

	Scrapling 可处理 Cloudflare Turnstile。对于企业级保护，Hyper Solutions 提供 API 端点，生成适用于 Akamai、DataDome、Kasada 和 Incapsula 的有效 antibot 令牌。简单的 API 调用，无需浏览器自动化。 🚀 订阅 \| 💬 Discord
	嘿，我们创建了 BirdProxies，因为代理不应该复杂或昂贵。覆盖 195+ 地区的快速住宅和 ISP 代理，公平定价，真正的支持。在落地页试试我们的 FlappyBird 游戏，获取免费流量！ 🚀 立即试用 \| 💬 Discord
	Evomi：住宅代理低至 0.49 美元/GB。具备完全伪装 Chromium 的爬虫浏览器、住宅 IP、自动验证码解决和反机器人绕过。 Scraper API 轻松获取结果。支持 MCP 和 N8N 集成。 🚀 立即试用

_{想在这里展示您的广告吗？点击这里}

赞助商

_{想在这里展示您的广告吗？点击这里并选择适合您的级别！}

主要特性

Spider — 完整的爬取框架

🕷️ 类Scrapy的Spider API：使用start_urls、async parse callback和Request/Response对象定义Spider。
⚡ 并发爬取：可配置的并发限制、按域名节流和下载延迟。
🔄 多Session支持：统一接口，支持HTTP请求和隐秘无头浏览器在同一个Spider中使用——通过ID将请求路由到不同的Session。
💾 暂停与恢复：基于Checkpoint的爬取持久化。按Ctrl+C优雅关闭；重启后从上次停止的地方继续。
📡 Streaming模式：通过async for item in spider.stream()以实时统计Streaming抓取的数据——非常适合UI、管道和长时间运行的爬取。
🛡️ 被阻止请求检测：自动检测并重试被阻止的请求，支持自定义逻辑。
📦 内置导出：通过钩子和您自己的管道导出结果，或使用内置的JSON/JSONL，分别通过result.items.to_json()/result.items.to_jsonl()。

支持Session的高级网站获取

HTTP请求：使用Fetcher类进行快速和隐秘的HTTP请求。可以模拟浏览器的TLS fingerprint、标头并使用HTTP/3。
动态加载：通过DynamicFetcher类使用完整的浏览器自动化获取动态网站，支持Playwright的Chromium和Google Chrome。
反机器人绕过：使用StealthyFetcher的高级隐秘功能和fingerprint伪装。可以轻松自动绕过所有类型的Cloudflare Turnstile/Interstitial。
Session管理：使用FetcherSession、StealthySession和DynamicSession类实现持久化Session支持，用于跨请求的cookie和状态管理。
Proxy轮换：内置ProxyRotator，支持轮询或自定义策略，适用于所有Session类型，并支持按请求覆盖Proxy。
域名屏蔽：在基于浏览器的Fetcher中屏蔽对特定域名（及其子域名）的请求。
Async支持：所有Fetcher和专用async Session类的完整async支持。

自适应抓取和AI集成

🔄 智能元素跟踪：使用智能相似性算法在网站更改后重新定位元素。
🎯 智能灵活选择：CSS选择器、XPath选择器、基于过滤器的搜索、文本搜索、正则表达式搜索等。
🔍 查找相似元素：自动定位与已找到元素相似的元素。
🤖 与AI一起使用的MCP服务器：内置MCP服务器用于AI辅助Web Scraping和数据提取。MCP服务器具有强大的自定义功能，利用Scrapling在将内容传递给AI（Claude/Cursor等）之前提取目标内容，从而加快操作并通过最小化token使用来降低成本。（演示视频）

高性能和经过实战测试的架构

🚀 闪电般快速：优化性能超越大多数Python抓取库。
🔋 内存高效：优化的数据结构和延迟加载，最小内存占用。
⚡ 快速JSON序列化：比标准库快10倍。
🏗️ 经过实战测试：Scrapling不仅拥有92%的测试覆盖率和完整的类型提示覆盖率，而且在过去一年中每天被数百名Web Scraper使用。

对开发者/Web Scraper友好的体验

🎯 交互式Web Scraping Shell：可选的内置IPython Shell，具有Scrapling集成、快捷方式和新工具，可加快Web Scraping脚本开发，例如将curl请求转换为Scrapling请求并在浏览器中查看请求结果。
🚀 直接从终端使用：可选地，您可以使用Scrapling抓取URL而无需编写任何代码！
🛠️ 丰富的导航API：使用父级、兄弟级和子级导航方法进行高级DOM遍历。
🧬 增强的文本处理：内置正则表达式、清理方法和优化的字符串操作。
📝 自动选择器生成：为任何元素生成强大的CSS/XPath选择器。
🔌 熟悉的API：类似于Scrapy/BeautifulSoup，使用与Scrapy/Parsel相同的伪元素。
📘 完整的类型覆盖：完整的类型提示，出色的IDE支持和代码补全。整个代码库在每次更改时都会自动使用PyRight和MyPy扫描。
🔋 现成的Docker镜像：每次发布时，包含所有浏览器的Docker镜像会自动构建和推送。

入门

让我们快速展示Scrapling的功能，无需深入了解。

基本用法

支持Session的HTTP请求

from scrapling.fetchers import Fetcher, FetcherSession

with FetcherSession(impersonate='chrome') as session:  # 使用Chrome的最新版本TLS fingerprint
    page = session.get('https://quotes.toscrape.com/', stealthy_headers=True)
    quotes = page.css('.quote .text::text').getall()

# 或使用一次性请求
page = Fetcher.get('https://quotes.toscrape.com/')
quotes = page.css('.quote .text::text').getall()

高级隐秘模式

from scrapling.fetchers import StealthyFetcher, StealthySession

with StealthySession(headless=True, solve_cloudflare=True) as session:  # 保持浏览器打开直到完成
    page = session.fetch('https://nopecha.com/demo/cloudflare', google_search=False)
    data = page.css('#padded_content a').getall()

# 或使用一次性请求样式，为此请求打开浏览器，完成后关闭
page = StealthyFetcher.fetch('https://nopecha.com/demo/cloudflare')
data = page.css('#padded_content a').getall()

完整的浏览器自动化

from scrapling.fetchers import DynamicFetcher, DynamicSession

with DynamicSession(headless=True, disable_resources=False, network_idle=True) as session:  # 保持浏览器打开直到完成
    page = session.fetch('https://quotes.toscrape.com/', load_dom=False)
    data = page.xpath('//span[@class="text"]/text()').getall()  # 如果您偏好XPath选择器

# 或使用一次性请求样式，为此请求打开浏览器，完成后关闭
page = DynamicFetcher.fetch('https://quotes.toscrape.com/')
data = page.css('.quote .text::text').getall()

Spider

构建具有并发请求、多种Session类型和暂停/恢复功能的完整爬虫：

from scrapling.spiders import Spider, Request, Response

class QuotesSpider(Spider):
    name = "quotes"
    start_urls = ["https://quotes.toscrape.com/"]
    concurrent_requests = 10

    async def parse(self, response: Response):
        for quote in response.css('.quote'):
            yield {
                "text": quote.css('.text::text').get(),
                "author": quote.css('.author::text').get(),
            }

        next_page = response.css('.next a')
        if next_page:
            yield response.follow(next_page[0].attrib['href'])

result = QuotesSpider().start()
print(f"抓取了 {len(result.items)} 条引用")
result.items.to_json("quotes.json")

在单个Spider中使用多种Session类型：

from scrapling.spiders import Spider, Request, Response
from scrapling.fetchers import FetcherSession, AsyncStealthySession

class MultiSessionSpider(Spider):
    name = "multi"
    start_urls = ["https://example.com/"]

    def configure_sessions(self, manager):
        manager.add("fast", FetcherSession(impersonate="chrome"))
        manager.add("stealth", AsyncStealthySession(headless=True), lazy=True)

    async def parse(self, response: Response):
        for link in response.css('a::attr(href)').getall():
            # 将受保护的页面路由到隐秘Session
            if "protected" in link:
                yield Request(link, sid="stealth")
            else:
                yield Request(link, sid="fast", callback=self.parse)  # 显式callback

通过如下方式运行Spider来暂停和恢复长时间爬取，使用Checkpoint：

QuotesSpider(crawldir="./crawl_data").start()

按Ctrl+C优雅暂停——进度会自动保存。之后，当您再次启动Spider时，传递相同的crawldir，它将从上次停止的地方继续。

高级解析与导航

from scrapling.fetchers import Fetcher

# 丰富的元素选择和导航
page = Fetcher.get('https://quotes.toscrape.com/')

# 使用多种选择方法获取引用
quotes = page.css('.quote')  # CSS选择器
quotes = page.xpath('//div[@class="quote"]')  # XPath
quotes = page.find_all('div', {'class': 'quote'})  # BeautifulSoup风格
# 等同于
quotes = page.find_all('div', class_='quote')
quotes = page.find_all(['div'], class_='quote')
quotes = page.find_all(class_='quote')  # 等等...
# 按文本内容查找元素
quotes = page.find_by_text('quote', tag='div')

# 高级导航
quote_text = page.css('.quote')[0].css('.text::text').get()
quote_text = page.css('.quote').css('.text::text').getall()  # 链式选择器
first_quote = page.css('.quote')[0]
author = first_quote.next_sibling.css('.author::text')
parent_container = first_quote.parent

# 元素关系和相似性
similar_elements = first_quote.find_similar()
below_elements = first_quote.below_elements()

如果您不想获取网站，可以直接使用解析器，如下所示：

from scrapling.parser import Selector

page = Selector("<html>...</html>")

用法完全相同！

Async Session管理示例

import asyncio
from scrapling.fetchers import FetcherSession, AsyncStealthySession, AsyncDynamicSession

async with FetcherSession(http3=True) as session:  # `FetcherSession`是上下文感知的，可以在sync/async模式下工作
    page1 = session.get('https://quotes.toscrape.com/')
    page2 = session.get('https://quotes.toscrape.com/', impersonate='firefox135')

# Async Session用法
async with AsyncStealthySession(max_pages=2) as session:
    tasks = []
    urls = ['https://example.com/page1', 'https://example.com/page2']

    for url in urls:
        task = session.fetch(url)
        tasks.append(task)

    print(session.get_pool_stats())  # 可选 - 浏览器标签池的状态（忙/空闲/错误）
    results = await asyncio.gather(*tasks)
    print(session.get_pool_stats())

CLI和交互式Shell

Scrapling包含强大的命令行界面：

启动交互式Web Scraping Shell

scrapling shell

直接将页面提取到文件而无需编程（默认提取body标签内的内容）。如果输出文件以.txt结尾，则将提取目标的文本内容。如果以.md结尾，它将是HTML内容的Markdown表示；如果以.html结尾，它将是HTML内容本身。

scrapling extract get 'https://example.com' content.md
scrapling extract get 'https://example.com' content.txt --css-selector '#fromSkipToProducts' --impersonate 'chrome'  # 所有匹配CSS选择器'#fromSkipToProducts'的元素
scrapling extract fetch 'https://example.com' content.md --css-selector '#fromSkipToProducts' --no-headless
scrapling extract stealthy-fetch 'https://nopecha.com/demo/cloudflare' captchas.html --css-selector '#padded_content a' --solve-cloudflare

Note

还有许多其他功能，但我们希望保持此页面简洁，包括MCP服务器和交互式Web Scraping Shell。查看完整文档这里

性能基准

Scrapling不仅功能强大——它还速度极快。以下基准测试将Scrapling的解析器与其他流行库的最新版本进行了比较。

文本提取速度测试（5000个嵌套元素）

#	库	时间(ms)	vs Scrapling
1	Scrapling	2.02	1.0x
2	Parsel/Scrapy	2.04	1.01
3	Raw Lxml	2.54	1.257
4	PyQuery	24.17	~12x
5	Selectolax	82.63	~41x
6	MechanicalSoup	1549.71	~767.1x
7	BS4 with Lxml	1584.31	~784.3x
8	BS4 with html5lib	3391.91	~1679.1x

元素相似性和文本搜索性能

Scrapling的自适应元素查找功能明显优于替代方案：

库	时间(ms)	vs Scrapling
Scrapling	2.39	1.0x
AutoScraper	12.45	5.209x

所有基准测试代表100+次运行的平均值。请参阅benchmarks.py了解方法。

安装

Scrapling需要Python 3.10或更高版本：

pip install scrapling

此安装仅包括解析器引擎及其依赖项，没有任何Fetcher或命令行依赖项。

可选依赖项

如果您要使用以下任何额外功能、Fetcher或它们的类，您将需要安装Fetcher的依赖项和它们的浏览器依赖项，如下所示：

pip install "scrapling[fetchers]"

scrapling install           # normal install
scrapling install  --force  # force reinstall

这会下载所有浏览器，以及它们的系统依赖项和fingerprint操作依赖项。

或者你可以从代码中安装，而不是运行命令：

from scrapling.cli import install

install([], standalone_mode=False)          # normal install
install(["--force"], standalone_mode=False) # force reinstall

额外功能：
- 安装MCP服务器功能：
```
pip install "scrapling[ai]"
```
- 安装Shell功能（Web Scraping Shell和extract命令）：
```
pip install "scrapling[shell]"
```
- 安装所有内容：
```
pip install "scrapling[all]"
```
请记住，在安装任何这些额外功能后（如果您还没有安装），您需要使用scrapling install安装浏览器依赖项

Docker

您还可以使用以下命令从DockerHub安装包含所有额外功能和浏览器的Docker镜像：

docker pull pyd4vinci/scrapling

或从GitHub注册表下载：

docker pull ghcr.io/d4vinci/scrapling:latest

此镜像使用GitHub Actions和仓库主分支自动构建和推送。

贡献

我们欢迎贡献！在开始之前，请阅读我们的贡献指南。

免责声明

Caution

此库仅用于教育和研究目的。使用此库即表示您同意遵守本地和国际数据抓取和隐私法律。作者和贡献者对本软件的任何滥用不承担责任。始终尊重网站的服务条款和robots.txt文件。

🎓 引用

如果您将我们的库用于研究目的，请使用以下参考文献引用我们：

  @misc{scrapling,
    author = {Karim Shoair},
    title = {Scrapling},
    year = {2024},
    url = {https://github.com/D4Vinci/Scrapling},
    note = {An adaptive Web Scraping framework that handles everything from a single request to a full-scale crawl!}
  }

许可证

本作品根据BSD-3-Clause许可证授权。

致谢

此项目包含改编自以下内容的代码：

Parsel（BSD许可证）——用于translator子模块

由Karim Shoair用❤️设计和制作。

24 KiB Raw Blame History Unescape Escape