🕷️ The BEST Web Scraping framework that handles everything from a single request to a full-scale crawl! Don't be shy, join here: https://discord.gg/EMgGbDceNQ and follow here for daily tips and tricks: https://x.com/Scrapling_dev
title: "Enregistrer des pages en Markdown, HTML ou texte depuis la CLI" description: "Utilisez scrapling extract pour enregistrer les résultats HTTP ou du navigateur. Filtrez le contenu avec CSS, ajustez les requêtes et choisissez le format de sortie."
Guide de la commande d’extraction de Scrapling {#scrapling-extract-command-guide}
Extrayez des données web depuis le terminal sans programmer !
La commande scrapling extract permet de télécharger et d’extraire le contenu de sites directement depuis le terminal, sans écrire de code. Elle est utile aux débutants, aux chercheurs et à toute personne qui veut extraire rapidement des données web.
!!! success "Avant de commencer"
1. Lisez la page sur les [bases des fetchers](../fetching/choosing.md) pour comprendre l’[objet Response](../fetching/choosing.md#response-object) et choisir un fetcher.
2. Lisez la page sur la [sélection d’éléments](../parsing/selection.md) pour apprendre à trouver et extraire des éléments d’un objet [Selector](../parsing/main_classes.md#selector)/[Response](../fetching/choosing.md#response-object).
3. Lisez la page des [classes principales](../parsing/main_classes.md) pour connaître les propriétés et méthodes héritées par [Response](../fetching/choosing.md#response-object) de [Selector](../parsing/main_classes.md#selector).
4. Lisez au moins une page de la section des fetchers pour les requêtes que vous utiliserez ici : [requêtes HTTP](../fetching/static.md) ou [récupération avec un navigateur](../fetching/stealthy.md).
Qu’est-ce que le groupe de commandes Extract ? {#what-is-the-extract-command-group}
C’est un ensemble d’outils simples pour le terminal qui permet de :
- Télécharger des pages web et enregistrer leur contenu dans des fichiers.
- Convertir le HTML dans des formats faciles Ă lire, comme Markdown, le garder en HTML ou extraire seulement le texte de la page.
- Utiliser vos propres sélecteurs CSS pour extraire certaines parties de la page.
- Envoyer des requêtes HTTP et récupérer des pages avec un navigateur.
- Régler presque toutes les options disponibles dans le code, comme les en-têtes, les cookies et les proxies, aussi depuis la ligne de commande.
!!! tip "Mode pour l’IA"
Toutes les commandes d’extraction acceptent l’option `--ai-targeted`. Lorsqu’elle est activée, seul le contenu principal du corps de la page est extrait. Elle supprime aussi les balises sans texte utile (script, style, noscript, svg), les éléments cachés qui pourraient servir à injecter des instructions (éléments masqués par des styles en ligne, aria-hidden, slots cachés et balises template), les caractères Unicode de largeur nulle et les commentaires HTML. Avec la commande de navigateur (`fetch`), elle active aussi le blocage des publicités. Ce mode est utile lorsque le résultat est destiné à un modèle d’IA.
Démarrage rapide {#quick-start}
Télécharger une page
Téléchargez le contenu d’une page sous forme de texte propre et lisible :
scrapling extract get "https://example.com" page_content.txtCette commande envoie une requĂŞte HTTP GET et enregistre le texte de la page dans
page_content.txt.Enregistrer dans d’autres formats
Choisissez le format de sortie en changeant l’extension du fichier :
# Convert the HTML content to Markdown, then save it to the file (great for documentation) scrapling extract get "https://blog.example.com" article.md # Save the HTML content as it is to the file scrapling extract get "https://example.com" page.html # Save a clean version of the text content of the webpage to the file scrapling extract get "https://example.com" content.txt # Or use the Docker image with something like this: docker run -v $(pwd)/output:/output pyd4vinci/scrapling extract get "https://blog.example.com" /output/article.mdExtraire un contenu précis
Toutes les commandes peuvent utiliser des sélecteurs CSS pour extraire certaines parties de la page avec
--css-selectorou-s, comme dans les exemples ci-dessous.
Commandes disponibles {#available-commands}
Exécutez scrapling extract --help pour afficher cette liste de commandes :
Usage: scrapling extract [OPTIONS] COMMAND [ARGS]...
Fetch web pages using various fetchers and extract full/selected HTML content as HTML, Markdown, or extract text content.
Options:
--help Show this message and exit.
Commands:
get Perform a GET request and save the content to a file.
post Perform a POST request and save the content to a file.
put Perform a PUT request and save the content to a file.
delete Perform a DELETE request and save the content to a file.
fetch Use StealthyFetcher to fetch content with advanced stealth features.
Nous allons détailler chacune d’elles.
RequĂŞtes HTTP {#http-requests}
RequĂŞte GET
La commande la plus courante pour télécharger le contenu d’un site :
scrapling extract get [URL] [OUTPUT_FILE] [OPTIONS]Exemples :
# Basic download scrapling extract get "https://news.site.com" news.md # Download with custom timeout scrapling extract get "https://example.com" content.txt --timeout 60 # Extract only specific content using CSS selectors scrapling extract get "https://blog.example.com" articles.md --css-selector "article" # Send a request with cookies scrapling extract get "https://scrapling.requestcatcher.com" content.md --cookies "session=abc123; user=john" # Add user agent scrapling extract get "https://api.site.com" data.txt -H "User-Agent: MyBot 1.0" # Add multiple headers scrapling extract get "https://site.com" page.html -H "Accept: text/html" -H "Accept-Language: en-US"Consultez les options avec
scrapling extract get --help:Usage: scrapling extract get [OPTIONS] URL OUTPUT_FILE Perform a GET request and save the content to a file. The output file path can be an HTML file, a Markdown file of the HTML content, or the text content itself. Use file extensions (`.html`/`.md`/`.txt`) respectively. Options: -H, --headers TEXT HTTP headers in format "Key: Value" (can be used multiple times) --cookies TEXT Cookies string in format "name1=value1;name2=value2" --timeout INTEGER Request timeout in seconds (default: 30) --proxy TEXT Proxy URL in format "http://username:password@host:port" -s, --css-selector TEXT CSS selector to extract specific content from the page. It returns all matches. -p, --params TEXT Query parameters in format "key=value" (can be used multiple times) --follow-redirects / --no-follow-redirects Whether to follow redirects (default: True) --verify / --no-verify Whether to verify SSL certificates (default: True) --impersonate TEXT Browser to impersonate (e.g., chrome, firefox). --stealthy-headers / --no-stealthy-headers Use stealthy browser headers (default: True) --ai-targeted Extract only main content and sanitize hidden elements for AI consumption (default: False) --help Show this message and exit.Ces options fonctionnent de la même façon pour les autres commandes de requête. Il n’est donc pas nécessaire de répéter leur explication.
RequĂŞte POST
scrapling extract post [URL] [OUTPUT_FILE] [OPTIONS]Exemples :
# Submit form data scrapling extract post "https://api.site.com/search" results.html --data "query=python&type=tutorial" # Send JSON data scrapling extract post "https://api.site.com" response.txt --json '{"username": "test", "action": "search"}'Consultez les options avec
scrapling extract post --help:Usage: scrapling extract post [OPTIONS] URL OUTPUT_FILE Perform a POST request and save the content to a file. The output file path can be an HTML file, a Markdown file of the HTML content, or the text content itself. Use file extensions (`.html`/`.md`/`.txt`) respectively. Options: -d, --data TEXT Form data to include in the request body (as string, ex: "param1=value1¶m2=value2") -j, --json TEXT JSON data to include in the request body (as string) -H, --headers TEXT HTTP headers in format "Key: Value" (can be used multiple times) --cookies TEXT Cookies string in format "name1=value1;name2=value2" --timeout INTEGER Request timeout in seconds (default: 30) --proxy TEXT Proxy URL in format "http://username:password@host:port" -s, --css-selector TEXT CSS selector to extract specific content from the page. It returns all matches. -p, --params TEXT Query parameters in format "key=value" (can be used multiple times) --follow-redirects / --no-follow-redirects Whether to follow redirects (default: True) --verify / --no-verify Whether to verify SSL certificates (default: True) --impersonate TEXT Browser to impersonate (e.g., chrome, firefox). --stealthy-headers / --no-stealthy-headers Use stealthy browser headers (default: True) --ai-targeted Extract only main content and sanitize hidden elements for AI consumption (default: False) --help Show this message and exit.RequĂŞte PUT
scrapling extract put [URL] [OUTPUT_FILE] [OPTIONS]Exemples :
# Send data scrapling extract put "https://scrapling.requestcatcher.com/put" results.html --data "update=info" --impersonate "firefox" # Send JSON data scrapling extract put "https://scrapling.requestcatcher.com/put" response.txt --json '{"username": "test", "action": "search"}'Consultez les options avec
scrapling extract put --help:Usage: scrapling extract put [OPTIONS] URL OUTPUT_FILE Perform a PUT request and save the content to a file. The output file path can be an HTML file, a Markdown file of the HTML content, or the text content itself. Use file extensions (`.html`/`.md`/`.txt`) respectively. Options: -d, --data TEXT Form data to include in the request body -j, --json TEXT JSON data to include in the request body (as string) -H, --headers TEXT HTTP headers in format "Key: Value" (can be used multiple times) --cookies TEXT Cookies string in format "name1=value1;name2=value2" --timeout INTEGER Request timeout in seconds (default: 30) --proxy TEXT Proxy URL in format "http://username:password@host:port" -s, --css-selector TEXT CSS selector to extract specific content from the page. It returns all matches. -p, --params TEXT Query parameters in format "key=value" (can be used multiple times) --follow-redirects / --no-follow-redirects Whether to follow redirects (default: True) --verify / --no-verify Whether to verify SSL certificates (default: True) --impersonate TEXT Browser to impersonate (e.g., chrome, firefox). --stealthy-headers / --no-stealthy-headers Use stealthy browser headers (default: True) --ai-targeted Extract only main content and sanitize hidden elements for AI consumption (default: False) --help Show this message and exit.RequĂŞte DELETE
scrapling extract delete [URL] [OUTPUT_FILE] [OPTIONS]Exemples :
# Send data scrapling extract delete "https://scrapling.requestcatcher.com/delete" results.html # Send JSON data scrapling extract delete "https://scrapling.requestcatcher.com/" response.txt --impersonate "chrome"Consultez les options avec
scrapling extract delete --help:Usage: scrapling extract delete [OPTIONS] URL OUTPUT_FILE Perform a DELETE request and save the content to a file. The output file path can be an HTML file, a Markdown file of the HTML content, or the text content itself. Use file extensions (`.html`/`.md`/`.txt`) respectively. Options: -H, --headers TEXT HTTP headers in format "Key: Value" (can be used multiple times) --cookies TEXT Cookies string in format "name1=value1;name2=value2" --timeout INTEGER Request timeout in seconds (default: 30) --proxy TEXT Proxy URL in format "http://username:password@host:port" -s, --css-selector TEXT CSS selector to extract specific content from the page. It returns all matches. -p, --params TEXT Query parameters in format "key=value" (can be used multiple times) --follow-redirects / --no-follow-redirects Whether to follow redirects (default: True) --verify / --no-verify Whether to verify SSL certificates (default: True) --impersonate TEXT Browser to impersonate (e.g., chrome, firefox). --stealthy-headers / --no-stealthy-headers Use stealthy browser headers (default: True) --ai-targeted Extract only main content and sanitize hidden elements for AI consumption (default: False) --help Show this message and exit.
Récupérer des pages avec un navigateur {#browser-fetching}
Utilisez fetch pour les pages JavaScript, l’automatisation du navigateur et les sites protégés. Cette commande exécute StealthyFetcher avec toutes les options disponibles pour masquer l’automatisation.
scrapling extract fetch "https://scrapling.requestcatcher.com/" content.md --network-idle
scrapling extract fetch "https://scrapling.requestcatcher.com/" data.txt --wait-selector ".content-loaded"
scrapling extract fetch "https://scrapling.requestcatcher.com/" page.html --no-headless --disable-resources
scrapling extract fetch "https://nopecha.com/demo/cloudflare" data.txt --solve-cloudflare --css-selector "#padded_content a"
scrapling extract fetch "https://site.com" content.md --proxy "http://proxy-server:8080"
Utilisez --pierce-shadow pour inclure le contenu des Shadow DOM ouverts. L’option est désactivée par défaut ; --no-pierce-shadow la désactive explicitement. Consultez Shadow DOM pour voir des exemples de sélecteurs et leurs limites.
scrapling extract fetch "https://example.com" content.md --pierce-shadow
Exécutez scrapling extract fetch --help pour afficher toutes les options :
Usage: scrapling extract fetch [OPTIONS] URL OUTPUT_FILE
Use StealthyFetcher to fetch content with advanced stealth features.
Options:
--headless / --no-headless Run browser in headless mode (default: True)
--disable-resources / --enable-resources Drop unnecessary resources for speed boost (default: False)
--block-webrtc / --allow-webrtc Block WebRTC entirely (default: False)
--solve-cloudflare / --no-solve-cloudflare Solve Cloudflare challenges (default: False)
--allow-webgl / --block-webgl Allow WebGL (default: True)
--pierce-shadow / --no-pierce-shadow Include open Shadow DOM content (default: False)
--network-idle / --no-network-idle Wait for network idle (default: False)
--real-chrome/--no-real-chrome If you have a Chrome browser installed on your device, enable this, and the Fetcher will launch an instance of your browser and use it. (default: False)
--timeout INTEGER Timeout in milliseconds (default: 30000)
--wait INTEGER Additional wait time in milliseconds after page load (default: 0)
-s, --css-selector TEXT CSS selector to extract specific content from the page. It returns all matches.
--wait-selector TEXT CSS selector to wait for before proceeding
--hide-canvas / --show-canvas Add noise to canvas operations (default: False)
--locale TEXT Specify user locale. Defaults to the system default locale.
--proxy TEXT Proxy URL in format "http://username:password@host:port"
-H, --extra-headers TEXT Extra headers in format "Key: Value" (can be used multiple times)
--dns-over-https / --no-dns-over-https Route DNS through Cloudflare's DoH to prevent DNS leaks when using proxies (default: False)
--block-ads / --no-block-ads Block requests to known ad and tracker domains (default: False)
--executable-path TEXT Path to a custom Chromium-compatible browser executable. Falls back to the SCRAPLING_EXECUTABLE_PATH environment variable when not set.
--ai-targeted Extract only main content and sanitize hidden elements for AI consumption (default: False)
--help Show this message and exit.
Quand utiliser chaque commande {#when-to-use-each-command}
Si vous débutez dans l’extraction de données web, ces règles vous aideront à choisir :
- Utilisez
getpour les sites simples, les blogs ou les articles de presse. - Utilisez
fetchpour les pages JavaScript, l’automatisation du navigateur ou les sites protégés, y compris ceux qui utilisent Cloudflare.
Aspects juridiques et éthiques {#legal-and-ethical-considerations}
⚠️ Consignes importantes :
- Consultez robots.txt : Ouvrez
https://website.com/robots.txtpour voir les règles d’exploration. - Respectez les limites de requêtes : Ne surchargez pas les serveurs.
- Conditions d’utilisation : Lisez et respectez les conditions du site.
- Droits d’auteur : Respectez les droits de propriété intellectuelle.
- Vie privée : Tenez compte des lois sur la protection des données personnelles.
- Usage commercial : Assurez-vous d’avoir l’autorisation d’utiliser les données à des fins commerciales.
Bonne extraction ! Pensez à respecter les règles des sites et toutes les lois et réglementations applicables.