web-scraper

🕷️ web-scraper（增强版）

✅ 状态：增强版已上线，功能完整。

功能

核心功能

1. HTTP 请求：GET/POST 请求，支持自定义 headers
2. 会话管理：Cookie 持久化，会话复用
3. 多模式提取：
   • CSS 选择器提取
   • XPath 表达式提取
   • 正则表达式提取
4. 并发抓取：多 URL 并发抓取（3个并发）
5. 反爬虫增强：
   • User-Agent 轮换
   • 请求延迟随机化
   • 代理支持（预留接口）
6. 元数据提取：自动提取页面标题、描述、链接等

输出格式

• JSON 结构化数据
• 保存到 __LEGACY_HOME__/.openclaw/output/scraping/
• 会话保存到 __LEGACY_HOME__/.openclaw/sessions/web-scraper/

使用方法

通过技能调用

用户说"抓取网页"或"提取数据"时自动触发。

命令行接口

# 健康检查
python3 scripts/scraper_cli.py --check

# 基础抓取
python3 scripts/scraper_cli.py --url "https://example.com" --css '{"title": "h1"}'

# 使用会话
python3 scripts/scraper_cli.py --url "https://example.com" --session "my_session"

# XPath 提取
python3 scripts/scraper_cli.py --url "https://example.com" --xpath '{"title": "//h1/text()"}'

# 正则提取
python3 scripts/scraper_cli.py --url "https://example.com" --regex '{"emails": "[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}"}'

# 并发抓取
python3 scripts/scraper_cli.py --urls "https://example1.com" "https://example2.com" --concurrent

# 指定输出文件
python3 scripts/scraper_cli.py --url "https://example.com" --output "result.json"

# 会话管理
python3 scripts/scraper_cli.py --list-sessions
python3 scripts/scraper_cli.py --clear-session --session "old_session"

Python API

from scraper_enhanced import scrape_enhanced, SessionManager, DataExtractor

# 简单抓取
result = scrape_enhanced(
    url="https://example.com",
    selectors={"title": "h1", "content": ".article"},
    session_name="my_session"
)

# 使用会话管理器
session = SessionManager("test_session")
fetch_result = session.fetch("https://example.com")

# 使用数据提取器
extractor = DataExtractor(fetch_result["content"])
css_data = extractor.extract_css({"title": "h1"})
xpath_data = extractor.extract_xpath({"title": "//h1/text()"})

技术实现

基于 requests + BeautifulSoup4 + lxml 实现，提供完整的抓取解决方案。

高级功能

1. 会话持久化：自动保存和加载 Cookie
2. 智能重试：网络错误自动重试
3. 延迟控制：随机延迟避免封禁
4. 错误处理：详细的错误信息和恢复建议
5. 性能监控：记录抓取时间和大小