Scrapling skill

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