🕷️ 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: "Сохранение веб-страниц в Markdown, HTML или текст из CLI" description: "Используйте scrapling extract для сохранения результатов HTTP-запросов или браузера. Фильтруйте содержимое с помощью CSS, задавайте параметры запросов и выбирайте формат вывода."
Команды извлечения Scrapling {#scrapling-extract-command-guide}
Собирайте данные с сайтов через терминал без программирования!
Команда scrapling extract позволяет скачивать и извлекать содержимое сайтов прямо из терминала, не написав ни строки кода. Она подходит новичкам, исследователям и всем, кому нужно быстро получить данные из интернета.
!!! success "Перед началом"
1. Прочитайте [основы Fetcher](../fetching/choosing.md), чтобы понять, что такое [объект Response](../fetching/choosing.md#response-object) и какой Fetcher выбрать.
2. Прочитайте [поиск элементов](../parsing/selection.md), чтобы научиться находить и извлекать элементы из [Selector](../parsing/main_classes.md#selector)/[Response](../fetching/choosing.md#response-object).
3. Прочитайте [основные классы](../parsing/main_classes.md), чтобы узнать, какие свойства и методы [Response](../fetching/choosing.md#response-object) наследует от [Selector](../parsing/main_classes.md#selector).
4. Прочитайте хотя бы одну страницу о Fetcher, который будете использовать: [HTTP-запросы](../fetching/static.md) или [загрузка через браузер](../fetching/stealthy.md).
Что такое группа команд extract {#what-is-the-extract-command-group}
Это набор простых инструментов для терминала, который позволяет:
- Скачивать веб-страницы и сохранять содержимое в файлы.
- Преобразовывать HTML в удобные форматы, например Markdown, сохранять исходный HTML или извлекать только текст страницы.
- Использовать свои CSS-селекторы, чтобы извлекать отдельные части страницы.
- Отправлять HTTP-запросы и загружать страницы через браузер.
- Подробно настраивать работу: задавать заголовки, Cookie, прокси и другие параметры. Почти все параметры, доступные в коде, есть и в командной строке.
!!! tip "Режим для ИИ"
Все команды извлечения поддерживают флаг `--ai-targeted`. Он оставляет только основное содержимое страницы, удаляет служебные теги (script, style, noscript, svg), скрытые элементы, которые могут содержать инструкции для ИИ (элементы со встроенными скрывающими стилями, aria-hidden, скрытые слоты, template), символы Unicode нулевой ширины и HTML-комментарии. В команде браузера (`fetch`) он также автоматически включает блокировку рекламы. Этот режим подходит для передачи результата модели ИИ.
Быстрый старт {#quick-start}
Обычное скачивание страницы
Скачайте содержимое сайта в виде чистого, удобного для чтения текста:
scrapling extract get "https://example.com" page_content.txtКоманда отправит HTTP GET-запрос и сохранит текст страницы в
page_content.txt.Сохранение в разных форматах
Выберите формат вывода, изменив расширение файла:
# 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.mdИзвлечение нужного содержимого
Во всех командах можно передать CSS-селектор через
--css-selectorили-s, чтобы извлечь отдельную часть страницы. Ниже приведены примеры.
Доступные команды {#available-commands}
Команда scrapling extract --help показывает следующий список:
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.
Далее разберём каждую команду подробнее.
HTTP-запросы {#http-requests}
GET-запрос
Самая распространённая команда для скачивания содержимого сайта:
scrapling extract get [URL] [OUTPUT_FILE] [OPTIONS]Примеры:
# 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"Чтобы увидеть доступные параметры, выполните
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.В остальных командах запросов параметры работают так же, поэтому повторять описание не будем.
POST-запрос
scrapling extract post [URL] [OUTPUT_FILE] [OPTIONS]Примеры:
# 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"}'Чтобы увидеть доступные параметры, выполните
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.PUT-запрос
scrapling extract put [URL] [OUTPUT_FILE] [OPTIONS]Примеры:
# 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"}'Чтобы увидеть доступные параметры, выполните
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.DELETE-запрос
scrapling extract delete [URL] [OUTPUT_FILE] [OPTIONS]Примеры:
# 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"Чтобы увидеть доступные параметры, выполните
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.
Загрузка через браузер {#browser-fetching}
Используйте fetch для страниц с JavaScript, автоматизации браузера и защищённых сайтов. Команда запускает StealthyFetcher со всеми доступными параметрами скрытности.
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"
Чтобы включить содержимое открытого Shadow DOM, используйте --pierce-shadow. По умолчанию эта возможность выключена; --no-pierce-shadow явно отключает её. Примеры селекторов и ограничения описаны в разделе Shadow DOM.
scrapling extract fetch "https://example.com" content.md --pierce-shadow
Все параметры можно посмотреть командой scrapling extract fetch --help:
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.
Как выбрать команду {#when-to-use-each-command}
Если вы пока не уверены, какую команду выбрать, используйте это простое правило:
getподходит для простых сайтов, блогов и новостных статей.fetchподходит для страниц с JavaScript, автоматизации браузера и защищённых сайтов, в том числе с Cloudflare.
Правовые и этические вопросы {#legal-and-ethical-considerations}
⚠️ Важные правила:
- Проверяйте robots.txt: откройте
https://website.com/robots.txt, чтобы узнать правила сбора данных. - Соблюдайте ограничения частоты: не перегружайте сервер запросами.
- Условия использования: прочитайте правила сайта и следуйте им.
- Авторское право: уважайте права на интеллектуальную собственность.
- Конфиденциальность: учитывайте законы о защите персональных данных.
- Коммерческое использование: убедитесь, что у вас есть нужное разрешение для деловых целей.
Удачного сбора данных! Всегда уважайте правила сайтов и соблюдайте применимые законы и нормы.