admin9webs/atomk-hermes-skills

Fork 0

Files

T

admin9webs 725d93b5a9 Add web/web-scraping-toolkit

2026-07-10 16:10:22 +08:00

12 KiB

Raw Permalink Blame History

name, description, version, tools

name

description

version

tools

web-scraping-toolkit

五个网页抓取工具的使用手册 — Jina Reader(快)、Crawl4AI(深)、Scrapling(反爬)、CamouFox(隐身浏览器)、AutoCLI(Chrome登录态复用+AI生成)

1.1

jina-reader

crawl4ai

scrapling

camoufox

autocli

Web Scraping Toolkit

四个工具互补，覆盖从单页到批量、从简单到反爬的全场景。

1. Jina Reader — 单页极速抓取

适用场景： 快速抓取单个 URL 的正文内容，返回 Markdown 格式。最适合调研、阅读文章、提取信息。

无需 API Key，直接用 HTTP 请求：

# 终端/curl 方式（最快）
# curl -s -L "https://r.jina.ai/{URL}" -H "Accept: text/plain"

# Python 方式
import requests

def jina_read(url: str) -> str:
    """抓取单个页面，返回 Markdown 文本"""
    resp = requests.get(
        f"https://r.jina.ai/{url}",
        headers={"Accept": "text/plain"}
    )
    return resp.text

# 高级用法 — 返回 JSON（含标题、链接等元数据）
def jina_read_json(url: str) -> dict:
    resp = requests.get(
        f"https://r.jina.ai/{url}",
        headers={"Accept": "application/json"}
    )
    return resp.json()

高级 Header：

X-With-Links-Summary: true — 返回页面所有链接
X-With-Images-Summary: true — 返回页面所有图片
X-Return-Format: html — 返回原始 HTML 而非 Markdown
X-Set-Cookie: key=value — 传递 Cookie

限制： 免费额度有速率限制（约 20 req/min），大批量请用 Crawl4AI。

2. Crawl4AI — 批量深度抓取

适用场景： 批量抓取整个网站、多页爬取、JS 渲染页面、结构化数据提取。

import asyncio
from crawl4ai import AsyncWebCrawler, BrowserConfig, CrawlerRunConfig, CacheMode

async def crawl_single(url: str):
    """抓取单页（带 JS 渲染）"""
    browser_config = BrowserConfig(headless=True)
    run_config = CrawlerRunConfig(cache_mode=CacheMode.BYPASS)
    
    async with AsyncWebCrawler(config=browser_config) as crawler:
        result = await crawler.arun(url=url, config=run_config)
        return {
            "url": result.url,
            "markdown": result.markdown,
            "html": result.html,
            "links": result.links,
            "media": result.media,
        }

async def crawl_batch(urls: list[str]):
    """批量抓取多个 URL"""
    browser_config = BrowserConfig(headless=True)
    run_config = CrawlerRunConfig(cache_mode=CacheMode.BYPASS)
    
    async with AsyncWebCrawler(config=browser_config) as crawler:
        results = await crawler.arun_many(urls=urls, config=run_config)
        return [{"url": r.url, "markdown": r.markdown} for r in results]

async def crawl_site(base_url: str, max_pages: int = 20):
    """深度爬取整个站点"""
    browser_config = BrowserConfig(headless=True)
    run_config = CrawlerRunConfig(
        cache_mode=CacheMode.BYPASS,
        max_pages=max_pages,
    )
    
    async with AsyncWebCrawler(config=browser_config) as crawler:
        results = await crawler.arun(url=base_url, config=run_config)
        return results

关键配置：

BrowserConfig(headless=True, browser_type="chromium") — 默认 Chromium
CrawlerRunConfig(css_selector="article") — 只提取特定 CSS 区域
CrawlerRunConfig(extracted_content_type="json") — 配合 schema 做结构化提取
CrawlerRunConfig(cache_mode=CacheMode.ENABLED) — 启用缓存加速重复抓取

**注意：**crawl4ai 使用的 lxml 版本可能与 scrapling 冲突，但实际影响可忽略（6.x 向下兼容 5.x API）。

3. Scrapling — 反爬绕过专用

适用场景： 被 Cloudflare/DataDok/PerimeterX 等反爬系统保护的网站。自动模拟真实浏览器指纹。

from scrapling import Fetcher, StealthyFetcher, PlayWrightFetcher

# 方式1：基础 Fetcher（轻量级，自动处理简单反爬）
page = Fetcher.get("https://example.com/protected")
print(page.status, page.text[:200])

# 方式2：StealthyFetcher（中等反爬，使用 curl_cffi 模拟浏览器指纹）
page = StealthyFetcher.fetch("https://example.com/protected")
# 可传参：headless=True, wait_selector="css:.content", network_idle=True

# 方式3：PlayWrightFetcher（最强反爬，真实浏览器 + stealth 插件）
page = PlayWrightFetcher.fetch(
    "https://example.com/protected",
    headless=True,
    wait_selector="css:.main-content",
    network_idle=True,
    timeout=30000
)

# 提取数据 — CSS 选择器
items = page.css(".product-item")
for item in items:
    title = item.css_first(".title").text()
    price = item.css_first(".price").text()

# 提取数据 — XPath
links = page.xpath("//a[@class='product-link']")

# 自动适配网页结构（智能匹配）
page = Fetcher.get("https://example.com")
similar = page.find("product-card", score_threshold=0.5)

三种引擎对比：

引擎	速度	反爬能力	JS渲染	适用
Fetcher	⚡最快	低	❌	静态页面
StealthyFetcher	🚀快	中高	❌	Cloudflare等
PlayWrightFetcher	🐌较慢	最高	✅	重度反爬+JS

4. CamouFox — 隐身浏览器（专治登录墙）

适用场景： 需要登录才能访问的内容、复杂的反爬检测、人机验证。基于 Firefox，指纹伪装极强。

from camoufox.sync_api import Camoufox

# 基础用法
with Camoufox(headless=True) as browser:
    page = browser.new_page()
    page.goto("https://example.com/login")
    page.fill("#username", "myuser")
    page.fill("#password", "mypass")
    page.click("button[type=submit]")
    page.wait_for_load_state("networkidle")
    
    # 登录后抓取内容
    content = page.content()
    print(content[:500])

# 异步用法
from camoufox.async_api import AsyncCamoufox

async def stealth_browse(url: str):
    async with AsyncCamoufox(headless=True) as browser:
        page = await browser.new_page()
        await page.goto(url)
        await page.wait_for_load_state("networkidle")
        return await page.content()

# 代理模式（防 IP 封锁）
with Camoufox(
    headless=True,
    proxy={"server": "http://proxy:port", "username": "u", "password": "p"}
) as browser:
    page = browser.new_page()
    page.goto("https://example.com")

# 反指纹增强选项
with Camoufox(
    headless=True,
    humanize=True,       # 模拟人类操作节奏
    os=["windows"],      # 伪装为 Windows 系统
    geoip=True,          # 自动匹配地理IP
) as browser:
    page = browser.new_page()
    page.goto("https://example.com")

CamouFox vs Playwright 对比：

特性	Playwright	CamouFox
浏览器引擎	Chromium	Firefox
反指纹	无内置	内置强伪装
登录墙	需要手动设置	自然绕过
Cloudflare	偶尔被检测	基本不检测
速度	快	略慢

浏览器二进制管理：

安装/更新：python -m camoufox fetch
当前版本：v135.0.1-beta.24

5. AutoCLI — Chrome 登录态复用 + AI 生成适配器

适用场景： 已在 Chrome 浏览器登录的站点，直接复用 Cookie 抓取数据，无需管理 API Key。55+ 站点 333 个内置命令（Twitter/X、Reddit、Bilibili、知乎、小红书、YouTube 等）。AI 可自动生成新站点适配器。

GitHub： nashsu/AutoCLI ⭐2.6k | Rust 单二进制 4.7MB | Apache 2.0

安装（一行命令）：

curl -fsSL https://raw.githubusercontent.com/nashsu/autocli/main/scripts/install.sh | sh

Chrome 扩展设置（浏览器类命令必需）：

从 Releases 下载 autocli-chrome-extension.zip
Chrome → chrome://extensions → 开发者模式 → 加载已解压扩展
扩展自动连接 autocli daemon

常用命令：

# 查看所有命令
autocli --help
autocli hackernews --help

# 公开 API（无需浏览器）
autocli hackernews top --limit 10
autocli hackernews top --limit 5 --format json

# 需要浏览器+登录态
autocli bilibili hot --limit 20
autocli twitter search "rust lang" --limit 10
autocli xiaohongshu search "关键词"

# AI 命令 — 自动生成适配器
autocli auth                    # 首次认证 autocli.ai
autocli generate --ai           # AI 分析当前页面生成适配器
autocli search https://example.com  # 搜索已有适配器
autocli explore <url>           # 分析网站 API
autocli cascade <url>           # 探测认证策略

# 多格式输出
autocli bilibili hot --format json|yaml|csv|markdown

# 诊断
autocli doctor

v0.3.2 新功能： Chrome 扩展可视化选数据 — 在页面上点选元素，AI 自动扩展相关字段并生成完整抓取规则。

与其他工具的关键区别：

无需 API Key — 直接复用 Chrome 已有登录态，其他工具都需要自己管理登录/cookie
CLI 原生 — 命令行直接调用，天然适合 AI Agent 集成
AI 生成 — 自动分析任意网站创建适配器，其他工具需手动编写选择器
速度极快 — Rust 实现，比 Node.js 原版快 12x

⚠️ 限制：

服务器环境无 Chrome 桌面 → 无法使用 Chrome 扩展和浏览器类命令（需有桌面浏览器）
适合用户本地电脑运行，或在 VNC/远程桌面环境中使用
公开 API 命令（hackernews 等）可在服务器直接用

快速选型指南

需求	工具	一行代码
读一篇文章	Jina Reader	`curl -s https://r.jina.ai/URL`
批量抓100页	Crawl4AI	`AsyncWebCrawler().arun_many(urls)`
反爬网站	Scrapling	`StealthyFetcher.fetch(url)`
需要登录	CamouFox / AutoCLI	`Camoufox(headless=True)` / `autocli x search "key"`
JS重页面	Crawl4AI / Scrapling PW	都可处理JS
速度优先	Jina Reader	无需渲染，最快
已登录Chrome直接抓	AutoCLI	`autocli <site> <cmd>`
AI自动生成抓取规则	AutoCLI	`autocli generate --ai`

免费代理获取（补充）

proxy-tools.com 等网站的端口被 reCAPTCHA/付费墙保护，免费用户拿不到。替代方案：

proxyscrape.com 免费 API（无需 key）：
- https://api.proxyscrape.com/v2/?request=displayproxies&protocol=socks5&timeout=5000&country=ru
- protocol 参数：http / socks5 / socks4
- country 参数：ISO 两字母代码，留空=全球
- 返回纯文本 IP:PORT 列表
免费代理可用率约 5-6%，寿命短（小时~天级别），需定期刷新

已知问题

lxml 版本冲突：Crawl4AI 要求 lxml~=5.3，Scrapling 要求 lxml>=6.0。实际运行中 lxml 6.x API 向下兼容 5.x，不影响使用。
Jina Reader 限速：免费版约 20 req/min，可加 X-No-Cache: true 绕过缓存（但消耗更快）。大批量用 Crawl4AI 替代。
CamouFox 启动慢：Firefox 启动比 Chromium 慢约 2-3 秒，session 复用可缓解。
Scrapling DynamicFetcher 缺依赖：需额外安装 msgspec（pip install msgspec），否则 import 报错。
curl socks5h/socks4a 不支持：本系统 curl 版本不支持 --proxy socks5h 或 --proxy socks4a，改用 --socks5 / --socks4 参数代替。
Scrapling PlayWrightFetcher 已更名：0.4.7 版本中叫 DynamicFetcher，不是 PlayWrightFetcher。
AutoCLI 服务器限制：服务器无 Chrome 桌面环境，浏览器类命令（bilibili、twitter 等需 Cookie 的）不可用；公开 API 命令（hackernews 等）正常。用户本地电脑或 VNC 环境可完整使用。

12 KiB Raw Permalink Blame History Unescape Escape