stealth-scraper

# Stealth Scraper > 基于 Playwright 的反爬虫网页抓取技能，支持普通模式、隐身模式和批量模式。 ## Description 强大的网页抓取工具，内置反检测技术，绕过常见反爬虫机制。纯手写反检测代码，不依赖任何第三方 stealth 插件。 **核心能力：** - 🕵️ 隐身模式：隐藏 webdriver 指纹、随机 UA、随机延迟、禁用指纹追踪 - 📄 普通模式：快速抓取页面内容 - 📦 批量模式：并发抓取多个 URL，自动限速 - 🎯 精确提取：CSS 选择器定向抓取 - 📸 截图 & HTML 保存 ## Configuration ```yaml bins: ["node"] ``` ## Setup 首次使用前需要安装依赖： ```bash cd ~/.openclaw/workspace/skills/stealth-scraper npm install ``` 如果 Chromium 未自动安装，运行： ```bash node scripts/setup.js ``` ## Usage ### 普通模式（快速抓取） ```bash node scripts/scraper-simple.js <URL> [options] ``` **参数：** | 参数 | 说明 | 默认值 | |------|------|--------| | `--wait <ms>` | 页面加载后等待时间（毫秒） | 2000 | | `--selector <css>` | CSS 选择器，只提取匹配元素的内容 | 无（提取全部） | **示例：** ```bash # 基本抓取 node scripts/scraper-simple.js https://example.com # 等待 5 秒后提取 node scripts/scraper-simple.js https://example.com --wait 5000 # 只提取文章正文 node scripts/scraper-simple.js https://example.com --selector "article.content" ``` ### 隐身模式（反爬虫） ```bash node scripts/scraper-stealth.js <URL> [options] ``` **参数：** | 参数 | 说明 | 默认值 | |------|------|--------| | `--wait <ms>` | 页面加载后等待时间（毫秒） | 2000 | | `--selector <css>` | CSS 选择器精确提取 | 无 | | `--proxy <url>` | 代理服务器地址 | 无 | | `--screenshot <path>` | 保存截图到指定路径 | 无 | | `--html <path>` | 保存完整 HTML 到指定路径 | 无 | | `--cookie <json>` | 自定义 cookie（JSON 格式） | 无 | | `--scroll` | 自动滚动页面加载懒加载内容 | false | **示例：** ```bash # 隐身抓取 node scripts/scraper-stealth.js https://example.com # 使用代理 + 截图 node scripts/scraper-stealth.js https://example.com --proxy http://127.0.0.1:7890 --screenshot ./shot.png # 自动滚动 + 保存 HTML node scripts/scraper-stealth.js https://example.com --scroll --html ./page.html # 带 cookie 访问 node scripts/scraper-stealth.js https://example.com --cookie '[{"name":"token","value":"abc123","domain":".example.com"}]' # 精确提取 + 等待 node scripts/scraper-stealth.js https://example.com --selector "div.main" --wait 5000 ``` ### 批量模式 ```bash node scripts/scraper-batch.js [options] <URL1> <URL2> ... # 或 node scripts/scraper-batch.js --file urls.txt [options] ``` **参数：** | 参数 | 说明 | 默认值 | |------|------|--------| | `--file <path>` | URL 列表文件（每行一个 URL） | 无 | | `--concurrency <n>` | 并发数 | 3 | | `--stealth` | 使用隐身模式 | false | | `--wait <ms>` | 每个页面的等待时间 | 2000 | | `--selector <css>` | CSS 选择器 | 无 | | `--output <path>` | 输出 JSON 文件路径 | stdout | **示例：** ```bash # 批量抓取多个 URL node scripts/scraper-batch.js https://a.com https://b.com https://c.com # 从文件读取 URL 列表，隐身模式 node scripts/scraper-batch.js --file urls.txt --stealth --concurrency 2 # 输出到文件 node scripts/scraper-batch.js --file urls.txt --output results.json ``` ## Output Format 所有模式输出统一的 JSON 结构： ```json { "success": true, "url": "https://example.com", "title": "Example Domain", "content": "页面文本内容...", "links": [{"text": "More info", "href": "https://..."}], "images": [{"alt": "Logo", "src": "https://..."}], "metadata": { "description": "...", "keywords": "...", "author": "..." }, "elapsedSeconds": 2.35 } ``` ## Anti-Detection Features | 技术 | 说明 | |------|------| | navigator.webdriver 隐藏 | 删除 webdriver 属性，伪装为真实浏览器 | | User-Agent 轮换 | 10+ 真实 UA，涵盖 Chrome/Safari/Firefox，桌面+移动端 | | 随机延迟 | 1-3 秒随机等待，模拟人类浏览行为 | | 随机视口 | 随机分辨率，避免固定窗口指纹 | | WebGL 指纹防护 | 注入噪声干扰 WebGL 指纹采集 | | Canvas 指纹防护 | 对 Canvas 数据添加微小噪声 | | 插件伪装 | 伪造 navigator.plugins 数组 | | 语言伪装 | 伪造 navigator.languages | | 硬件并发伪装 | 随机化 navigator.hardwareConcurrency | ## Notes - 纯手写反检测代码，不使用任何第三方 stealth 插件（如 puppeteer-extra-plugin-stealth），避免被反检测系统识别 - 使用 Playwright 而非 Puppeteer，因为 Playwright 的反检测基础更好 - 所有反检测代码通过 `addInitScript` 在页面加载前注入 - 请遵守目标网站的 robots.txt 和服务条款