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

• 🕷️ 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。
• 🚦 AutoThrottle 自动限速：不用再猜延迟。Spider 会根据网站的响应速度自动调整每个域名的延迟，当网站开始封禁或限流时把延迟翻倍（或按 Retry-After 要求等待），并在恢复正常后重新提速。
• 🤖 robots.txt 合规：可选的 robots_txt_obey 标志，支持 Disallow、Crawl-delay 和 Request-rate 指令，并按域名缓存。
• 🧪 开发模式：首次运行时将响应缓存到磁盘，后续运行时直接回放 – 在不重新请求目标服务器的情况下迭代你的 parse() 逻辑。
• 🧩 现成的 Spider 模板：跳过样板代码–使用 CrawlSpider 基于规则跟踪链接，SitemapSpider 基于 sitemap/robots.txt 爬取，XMLFeedSpider/CSVFeedSpider 用于遍历 XML/RSS 和 CSV 数据源，以及 ShopifySpider 通过 JSON API 抓取任意 Shopify 商店的全部商品，每个变体一条数据。
• 🔗 链接提取：独立的 LinkExtractor 组件，支持 allow/deny 模式、域名过滤、CSS/XPath 范围限定、扩展名过滤和链接规范化–可在模板中使用，也可单独使用。
• 📦 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/CSV/XML 导出器：result.items.to_json()、to_jsonl()、to_csv() 和 to_xml()。

• 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。
• 域名和广告屏蔽：在基于浏览器的 Fetcher 中屏蔽对特定域名（及其子域名）的请求，或启用内置广告屏蔽（约 3,500 个已知广告/追踪域名）。
• DNS 泄漏防护：可选的 DNS-over-HTTPS 支持，通过 Cloudflare 的 DoH 路由 DNS 查询，防止使用代理时的 DNS 泄漏。
• 远程浏览器：无需在本地启动浏览器，通过 cdp_url 用 CDP 连接到已在运行的浏览器，无论它在同一台机器、另一台主机，还是托管的浏览器服务商。您也可以通过 executable_path 让任意浏览器 Fetcher 使用您自己的 Chromium 构建版本。
• 后台 API 捕获：向 capture_xhr 传入 URL 模式，页面加载过程中所有匹配的 XHR/fetch 响应都会作为 Response 对象收集到 response.captured_xhr 中–无需自己逆向分析请求即可获取网站的 API 数据。
• Async 支持：所有 Fetcher 和专用 async Session 类的完整 async 支持。

• 🔄 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。

• 🤖 MCP 服务器：让 AI 聊天机器人和智能体（Claude/Cursor 等）通过 Scrapling 抓取网页，提供一次性工具和基于会话的工具，覆盖普通 HTTP 请求（任意方法）、浏览器抓取以及可绕过 Cloudflare 的隐身抓取。页面在交给 AI 之前会先用 CSS 选择器缩小范围并清除提示注入内容，因此智能体读得更少、花得更少，也不会被隐藏文本劫持。还包含页面截图、通过 CDP 控制远程浏览器，以及默认安全的 HTTP 传输。（演示视频）
• 🧠 Agent Skill：开箱即用的 Agent Skill，让编码智能体全面掌握本库，使它们用 Scrapling 写出的代码符合当前 API，而不是靠猜测。
• 📚 RAG 就绪的 Markdown：用一行代码（page.markdown()）把任意页面转换为干净、经过净化、可直接供 LLM 使用的 Markdown，或使用 SiteToMarkdownSpider 模板把整个网站抓取为 Markdown 语料库，整个过程无需调用 LLM。（文档）

• 🚀 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。

• 🎯 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。
• 🤝 无缝集成 Scrapy：已经在用 Scrapy？用 scrapling_response 装饰任意回调，即可用 Scrapling 的解析器解析您本来就抓取到的响应，无需重写项目。
• 📘 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。

让我们快速展示 Scrapling 的功能，无需深入了解。

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()

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。

或者使用现成的模板，完全跳过爬取逻辑的编写，例如抓取整个 Shopify 商店的商品目录：

from scrapling.spiders import ShopifySpider

class MyStore(ShopifySpider):
    target_website = "example.com"

result = MyStore().start()  # 商店中的每件商品，每个变体一条数据

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"]')  # XPathquotes = 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！

import asynciofrom scrapling.fetchers import FetcherSession, AsyncStealthySession, AsyncDynamicSessionasync 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())

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

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。

Scrapling 的自适应元素查找功能明显优于替代方案：

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。

Scrapling 需要 Python 3.10 或更高版本：

pip install scrapling

1. 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

2. 额外功能：

   • 安装 MCP 服务器功能：

     pip install "scrapling[ai]"
   • 安装（构建 RAG 系统）所需的依赖：

     pip install "scrapling[rag]"
   • 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

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。