面向现代 Web 的轻松 Web Scraping
العربيه | Español | Français | Deutsch | 简体中文 | 日本語 | Русский | 한국어
选择方法 · Fetchers · Spiders · 代理轮换 · CLI · MCP
Scrapling 是一个自适应 Web Scraping 框架，既能处理单次请求，也能支持全规模爬取。 它的解析器会学习网站变化，并在页面更新时自动重新定位你的元素。它的 fetchers 开箱即用即可绕过 Cloudflare Turnstile 之类的反机器人系统。它的 spider 框架则让你只需几行 Python，就能扩展到支持暂停/恢复和自动代理轮换的并发、多会话爬取。一个库，零妥协。 它能以实时统计和流式输出实现极速爬取。由 Web Scrapers 为 Web Scrapers 和普通用户打造，每个人都能从中获益。 ```python from scrapling.fetchers import Fetcher, AsyncFetcher, StealthyFetcher, DynamicFetcher StealthyFetcher.adaptive = True p = StealthyFetcher.fetch('https://example.com', headless=True, network_idle=True) # Fetch website under the radar! products = p.css('.product', auto_save=True) # Scrape data that survives website design changes! products = p.css('.product', adaptive=True) # Later, if the website structure changes, pass `adaptive=True` to find them! ``` 或者扩展到完整爬取 ```python 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() ```
|
Scrapling 可以处理 Cloudflare Turnstile。对于企业级防护， Hyper Solutions 提供可生成有效反机器人令牌的 API 端点，适用于 Akamai、DataDome、Kasada 和 Incapsula。只需简单的 API 调用，无需浏览器自动化。 |
|
嘿，我们打造了
BirdProxies
，因为代理服务不该复杂也不该虚高定价。覆盖 195+ 地点的高速住宅代理和 ISP 代理，价格公道，并提供真正的支持。 免费试玩我们落地页上的 FlappyBird 游戏，赢取免费流量！ |
|
Evomi : 住宅代理低至 $0.49/GB。提供带完整伪装 Chromium 的抓取浏览器、住宅 IP、自动 CAPTCHA 求解和反机器人绕过。 提供轻松获取结果的 Scraper API。也支持 MCP 和 N8N 集成。 |
|
TikHub.io 提供覆盖 16+ 平台的 900+ 稳定 API，包括 TikTok、X、YouTube 和 Instagram，并拥有 4000 万+ 数据集。 还提供折扣 AI 模型，Claude、GPT、GEMINI 等最高可省 71%。 |
|
Nsocks 为开发者和抓取者提供快速的住宅代理和 ISP 代理。具备全球 IP 覆盖、高匿名性、智能轮换以及适用于自动化和数据提取的可靠性能。使用 Xcrawl 可简化大规模 Web crawling。 |
|
合上你的笔记本电脑，你的抓取器仍会继续运行。 PetroSky VPS 是为不间断自动化打造的云服务器。提供完全可控的 Windows 和 Linux 机器。月费 €6.99 起。 |
|
在 The Web Scraping Club 阅读对 Scrapling 的完整评测（2025 年 11 月），这是专注于 Web Scraping 的头号通讯。 |
|
Proxy-Seller 为 Web Scraping 提供可靠的代理基础设施，提供 IPv4、IPv6、ISP、住宅和移动代理，具有稳定性能、广泛地理覆盖以及适合企业级数据采集的灵活方案。 |
想在这里展示你的广告吗？点击[这里](https://github.com/sponsors/D4Vinci)并选择适合你的层级！
---
## 关键特性
### Spiders：完整爬取框架
- 🕷️ **类 Scrapy 的 Spider API**：使用 `start_urls`、异步 `parse` 回调以及 `Request` / `Response` 对象来定义 spiders。
- ⚡ **并发爬取**：可配置的并发限制、按域限速以及下载延迟。
- 🔄 **多会话支持**：为 HTTP 请求和 stealth 无头浏览器提供统一接口，可在单个 spider 中按 ID 将请求路由到不同会话。
- 💾 **暂停与恢复**：基于 checkpoint 的爬取持久化。按下 Ctrl+C 可优雅关闭；重启后可从中断处恢复。
- 📡 **流式模式**：通过 `async for item in spider.stream()` 在抓取结果到达时流式获取数据，并附带实时统计，非常适合 UI、pipeline 和长时间运行的爬取任务。
- 🛡️ **被拦截请求检测**：自动检测并重试被拦截的请求，并支持自定义逻辑。
- 📦 **内置导出**：可通过 hooks 和你自己的 pipeline，或通过内置 JSON/JSONL 分别使用 `result.items.to_json()` / `result.items.to_jsonl()` 导出结果。
### 带会话支持的高级网站抓取
- **HTTP 请求**：使用 `Fetcher` 类进行快速且 stealth 的 HTTP 请求。可伪装浏览器的 TLS 指纹、请求头，并支持 HTTP/3。
- **动态加载**：通过 `DynamicFetcher` 类使用完整浏览器自动化抓取动态网站，支持 Playwright 的 Chromium 和 Google Chrome。
- **反机器人绕过**：`StealthyFetcher` 提供高级 stealth 能力和指纹伪装。可轻松通过自动化绕过各类 Cloudflare Turnstile / Interstitial。
- **会话管理**：提供 `FetcherSession`、`StealthySession` 和 `DynamicSession` 类，以在请求之间持久化 cookie 和状态。
- **代理轮换**：内置 `ProxyRotator`，支持循环或自定义轮换策略，适用于所有会话类型，并支持按请求覆盖代理。
- **域名拦截**：可在基于浏览器的 fetchers 中阻止对特定域名（及其子域名）的请求。
- **异步支持**：所有 fetchers 都提供完整的异步支持，并配有专用异步会话类。
### 自适应抓取与 AI 集成
- 🔄 **智能元素跟踪**：使用智能相似度算法，在网站变化后重新定位元素。
- 🎯 **智能灵活选择**：支持 CSS 选择器、XPath 选择器、基于过滤器的搜索、文本搜索、正则搜索等。
- 🔍 **查找相似元素**：自动定位与已找到元素相似的元素。
- 🤖 **可与 AI 配合使用的 MCP 服务器**：内置 MCP 服务器，用于 AI 辅助的 Web Scraping 和数据提取。该 MCP 服务器具备强大的自定义能力，可在将内容传递给 AI（Claude/Cursor 等）之前，利用 Scrapling 先提取目标内容，从而通过减少 token 使用加快操作并降低成本。([演示视频](https://www.youtube.com/watch?v=qyFk3ZNwOxE))
### 高性能且经过实战检验的架构
- 🚀 **极速**：性能经过优化，优于大多数 Python 抓取库。
- 🔋 **内存高效**：优化的数据结构和惰性加载机制，带来极小的内存占用。
- ⚡ **快速 JSON 序列化**：速度比标准库快 10 倍。
- 🏗️ **经过实战检验**：Scrapling 不仅拥有 92% 的测试覆盖率和完整的类型提示覆盖，还在过去一年中被数百位 Web Scrapers 每日使用。
### 面向开发者 / Web Scraper 的友好体验
- 🎯 **交互式 Web Scraping Shell**：可选的内置 IPython shell，集成 Scrapling、快捷方式和新工具，可加速 Web Scraping 脚本开发，例如把 curl 请求转换成 Scrapling 请求，并在浏览器中查看请求结果。
- 🚀 **直接在终端中使用**：你也可以选择无需编写任何代码，直接使用 Scrapling 抓取一个 URL！
- 🛠️ **丰富的导航 API**：支持父节点、兄弟节点和子节点导航的高级 DOM 遍历。
- 🧬 **增强的文本处理**：内置正则、清洗方法和优化的字符串操作。
- 📝 **自动生成选择器**：可为任意元素生成稳健的 CSS / XPath 选择器。
- 🔌 **熟悉的 API**：与 Scrapy / BeautifulSoup 相似，并使用与 Scrapy / Parsel 相同的 pseudo-elements。
- 📘 **完整类型覆盖**：提供完整的类型提示，以获得出色的 IDE 支持和代码补全。整个代码库会在每次变更时由 **PyRight** 和 **MyPy** 自动扫描。
- 🔋 **现成可用的 Docker 镜像**：每次发布时，都会自动构建并推送一个包含所有浏览器的 Docker 镜像。
## 快速开始
先快速看一眼 Scrapling 能做什么，而不必一开始就深入细节。
### 基本用法
带会话支持的 HTTP 请求
```python
from scrapling.fetchers import Fetcher, FetcherSession
with FetcherSession(impersonate='chrome') as session: # Use latest version of Chrome's TLS fingerprint
page = session.get('https://quotes.toscrape.com/', stealthy_headers=True)
quotes = page.css('.quote .text::text').getall()
# Or use one-off requests
page = Fetcher.get('https://quotes.toscrape.com/')
quotes = page.css('.quote .text::text').getall()
```
高级 stealth 模式
```python
from scrapling.fetchers import StealthyFetcher, StealthySession
with StealthySession(headless=True, solve_cloudflare=True) as session: # Keep the browser open until you finish
page = session.fetch('https://nopecha.com/demo/cloudflare', google_search=False)
data = page.css('#padded_content a').getall()
# Or use one-off request style, it opens the browser for this request, then closes it after finishing
page = StealthyFetcher.fetch('https://nopecha.com/demo/cloudflare')
data = page.css('#padded_content a').getall()
```
完整浏览器自动化
```python
from scrapling.fetchers import DynamicFetcher, DynamicSession
with DynamicSession(headless=True, disable_resources=False, network_idle=True) as session: # Keep the browser open until you finish
page = session.fetch('https://quotes.toscrape.com/', load_dom=False)
data = page.xpath('//span[@class="text"]/text()').getall() # XPath selector if you prefer it
# Or use one-off request style, it opens the browser for this request, then closes it after finishing
page = DynamicFetcher.fetch('https://quotes.toscrape.com/')
data = page.css('.quote .text::text').getall()
```
### Spiders
使用并发请求、多种会话类型以及暂停/恢复功能构建完整爬虫：
```python
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"Scraped {len(result.items)} quotes")
result.items.to_json("quotes.json")
```
在单个 spider 中使用多种会话类型：
```python
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():
# Route protected pages through the stealth session
if "protected" in link:
yield Request(link, sid="stealth")
else:
yield Request(link, sid="fast", callback=self.parse) # explicit callback
```
像下面这样运行 spider，即可通过 checkpoint 暂停并恢复长时间爬取：
```python
QuotesSpider(crawldir="./crawl_data").start()
```
按 Ctrl+C 可优雅暂停，进度会自动保存。稍后再次启动 spider 时，传入相同的 `crawldir`，它就会从上次停止的位置继续。
### 高级解析与导航
```python
from scrapling.fetchers import Fetcher
# Rich element selection and navigation
page = Fetcher.get('https://quotes.toscrape.com/')
# Get quotes with multiple selection methods
quotes = page.css('.quote') # CSS selector
quotes = page.xpath('//div[@class="quote"]') # XPath
quotes = page.find_all('div', {'class': 'quote'}) # BeautifulSoup-style
# Same as
quotes = page.find_all('div', class_='quote')
quotes = page.find_all(['div'], class_='quote')
quotes = page.find_all(class_='quote') # and so on...
# Find element by text content
quotes = page.find_by_text('quote', tag='div')
# Advanced navigation
quote_text = page.css('.quote')[0].css('.text::text').get()
quote_text = page.css('.quote').css('.text::text').getall() # Chained selectors
first_quote = page.css('.quote')[0]
author = first_quote.next_sibling.css('.author::text')
parent_container = first_quote.parent
# Element relationships and similarity
similar_elements = first_quote.find_similar()
below_elements = first_quote.below_elements()
```
如果你不想像下面这样抓取网站，也可以直接使用解析器：
```python
from scrapling.parser import Selector
page = Selector("...")
```
而且它的工作方式完全相同！
### 异步会话管理示例
```python
import asyncio
from scrapling.fetchers import FetcherSession, AsyncStealthySession, AsyncDynamicSession
async with FetcherSession(http3=True) as session: # `FetcherSession` is context-aware and can work in both sync/async patterns
page1 = session.get('https://quotes.toscrape.com/')
page2 = session.get('https://quotes.toscrape.com/', impersonate='firefox135')
# Async session usage
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()) # Optional - The status of the browser tabs pool (busy/free/error)
results = await asyncio.gather(*tasks)
print(session.get_pool_stats())
```
## CLI 与交互式 Shell
Scrapling 包含一个强大的命令行界面：
[](https://asciinema.org/a/736339)
启动交互式 Web Scraping shell
```bash
scrapling shell
```
无需编程即可直接将页面提取到文件中（默认提取 `body` 标签内的内容）。如果输出文件以 `.txt` 结尾，则会提取目标的文本内容；如果以 `.md` 结尾，则会输出 HTML 内容的 Markdown 表示；如果以 `.html` 结尾，则输出 HTML 内容本身。
```bash
scrapling extract get 'https://example.com' content.md
scrapling extract get 'https://example.com' content.txt --css-selector '#fromSkipToProducts' --impersonate 'chrome' # All elements matching the CSS selector '#fromSkipToProducts'
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]
> 还有许多附加功能，但我们希望保持本页简洁，其中包括 MCP 服务器和交互式 Web Scraping Shell。完整文档请查看[这里](https://scrapling.readthedocs.io/en/latest/)
## 性能基准
Scrapling 不只是功能强大，它也快得惊人。下面的基准测试将 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 | 耗时 (ms) | 相对 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 |
### 元素相似度与文本搜索性能
Scrapling 的自适应元素查找能力显著优于替代方案：
| Library | Time (ms) | vs Scrapling |
|-------------|:---------:|:------------:|
| Scrapling | 2.39 | 1.0x |
| AutoScraper | 12.45 | 5.209x |
> 所有基准均为 100+ 次运行的平均值。方法详见 [benchmarks.py](https://github.com/D4Vinci/Scrapling/blob/main/benchmarks.py)。
## 安装
Scrapling 需要 Python 3.10 或更高版本：
```bash
pip install scrapling
```
此安装仅包含解析器引擎及其依赖，不包含任何 fetchers 或 commandline 依赖。
### 可选依赖
1. 如果你打算使用下面的任何附加功能、fetchers 或它们的类，你需要先安装 fetchers 的依赖及其浏览器依赖，如下所示：
```bash
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和指纹操控依赖。
或者你也可以在代码中安装，而不是运行命令，像这样：
```python
from scrapling.cli import install
install([], standalone_mode=False) # normal install
install(["--force"], standalone_mode=False) # force reinstall
```
2. 附加功能：
- 安装 MCP 服务器功能：
```bash
pip install "scrapling[ai]"
```
- 安装 shell 功能（Web Scraping shell 和 `extract` 命令）：
```bash
pip install "scrapling[shell]"
```
- 安装全部内容：
```bash
pip install "scrapling[all]"
```
请记得，在安装任意这些附加功能之后（如果你还没装过），都需要通过 `scrapling install` 安装浏览器依赖
### Docker
你也可以使用以下命令从 DockerHub 安装一个包含全部附加功能和浏览器的 Docker 镜像：
```bash
docker pull pyd4vinci/scrapling
```
或者从 GitHub registry 下载：
```bash
docker pull ghcr.io/d4vinci/scrapling:latest
```
这个镜像会通过 GitHub Actions 和仓库的 main 分支自动构建并推送。
## 贡献
欢迎贡献！开始前请先阅读我们的[贡献指南](https://github.com/D4Vinci/Scrapling/blob/main/CONTRIBUTING.md)。
## 免责声明
> [!CAUTION]
> 本库仅用于教育和研究目的。使用本库即表示你同意遵守本地及国际上的数据抓取和隐私法律。作者和贡献者不对本软件的任何滥用负责。请始终尊重网站的服务条款和 robots.txt 文件。
## 🎓 引用
如果你在研究中使用了我们的库，请使用以下参考文献引用我们：
```text
@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
本作品采用 BSD-3-Clause License 授权。
## 致谢
本项目包含改编自以下项目的代码：
- Parsel (BSD License) — 用于 [translator](https://github.com/D4Vinci/Scrapling/blob/main/scrapling/core/translator.py) 子模块
---