Clases de fetchers¶
Aquí puedes consultar los parámetros, atributos y métodos de todas las clases de fetchers.
Puedes importarlas directamente:
from scrapling.fetchers import (
Fetcher, AsyncFetcher, StealthyFetcher,
FetcherSession, AsyncStealthySession, StealthySession,
RemoteSession, AsyncRemoteSession
)
scrapling.fetchers.Fetcher
¶
Clases base: BaseFetcher
flowchart TD
scrapling.fetchers.Fetcher[Fetcher]
scrapling.engines.toolbelt.custom.BaseFetcher[BaseFetcher]
scrapling.engines.toolbelt.custom.BaseFetcher --> scrapling.fetchers.Fetcher
click scrapling.fetchers.Fetcher href "" "scrapling.fetchers.Fetcher"
click scrapling.engines.toolbelt.custom.BaseFetcher href "" "scrapling.engines.toolbelt.custom.BaseFetcher"
Clase Fetcher básica que realiza solicitudes HTTP GET, POST, PUT y DELETE mediante curl_cffi.
Código fuente en scrapling/engines/toolbelt/custom.py
parser_keywords
class-attribute
instance-attribute
¶
parser_keywords = (
"huge_tree",
"adaptive",
"storage",
"storage_args",
"keep_comments",
"adaptive_domain",
)
display_config
classmethod
¶
Código fuente en scrapling/engines/toolbelt/custom.py
configure
classmethod
¶
Configura varios argumentos del analizador a la vez de forma global.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
kwargs
|
Los argumentos disponibles son huge_tree, keep_comments, adaptive, storage, storage_args y adaptive_domain.
PREDETERMINADO:
|
Código fuente en scrapling/engines/toolbelt/custom.py
get
classmethod
¶
post
classmethod
¶
put
classmethod
¶
scrapling.fetchers.AsyncFetcher
¶
Clases base: BaseFetcher
flowchart TD
scrapling.fetchers.AsyncFetcher[AsyncFetcher]
scrapling.engines.toolbelt.custom.BaseFetcher[BaseFetcher]
scrapling.engines.toolbelt.custom.BaseFetcher --> scrapling.fetchers.AsyncFetcher
click scrapling.fetchers.AsyncFetcher href "" "scrapling.fetchers.AsyncFetcher"
click scrapling.engines.toolbelt.custom.BaseFetcher href "" "scrapling.engines.toolbelt.custom.BaseFetcher"
Clase Fetcher básica que realiza solicitudes HTTP GET, POST, PUT y DELETE mediante curl_cffi.
Código fuente en scrapling/engines/toolbelt/custom.py
parser_keywords
class-attribute
instance-attribute
¶
parser_keywords = (
"huge_tree",
"adaptive",
"storage",
"storage_args",
"keep_comments",
"adaptive_domain",
)
display_config
classmethod
¶
Código fuente en scrapling/engines/toolbelt/custom.py
configure
classmethod
¶
Configura varios argumentos del analizador a la vez de forma global.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
kwargs
|
Los argumentos disponibles son huge_tree, keep_comments, adaptive, storage, storage_args y adaptive_domain.
PREDETERMINADO:
|
Código fuente en scrapling/engines/toolbelt/custom.py
get
classmethod
¶
post
classmethod
¶
put
classmethod
¶
scrapling.fetchers.StealthyFetcher
¶
Clases base: BaseFetcher
flowchart TD
scrapling.fetchers.StealthyFetcher[StealthyFetcher]
scrapling.engines.toolbelt.custom.BaseFetcher[BaseFetcher]
scrapling.engines.toolbelt.custom.BaseFetcher --> scrapling.fetchers.StealthyFetcher
click scrapling.fetchers.StealthyFetcher href "" "scrapling.fetchers.StealthyFetcher"
click scrapling.engines.toolbelt.custom.BaseFetcher href "" "scrapling.engines.toolbelt.custom.BaseFetcher"
Clase Fetcher con protección contra detección, basada en Chromium.
Se comporta como un navegador real, supera casi todas las pruebas y protecciones en línea y ofrece muchas opciones de configuración.
Código fuente en scrapling/engines/toolbelt/custom.py
parser_keywords
class-attribute
instance-attribute
¶
parser_keywords = (
"huge_tree",
"adaptive",
"storage",
"storage_args",
"keep_comments",
"adaptive_domain",
)
display_config
classmethod
¶
Código fuente en scrapling/engines/toolbelt/custom.py
configure
classmethod
¶
Configura varios argumentos del analizador a la vez de forma global.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
kwargs
|
Los argumentos disponibles son huge_tree, keep_comments, adaptive, storage, storage_args y adaptive_domain.
PREDETERMINADO:
|
Código fuente en scrapling/engines/toolbelt/custom.py
fetch
classmethod
¶
Abre un navegador y realiza la solicitud con las opciones que elijas a continuación.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
url
|
URL de destino.
TIPO:
|
headless
|
Ejecuta el navegador sin ventana visible, de forma predeterminada, o con una ventana visible.
|
disable_resources
|
Descarta solicitudes de recursos innecesarios para mejorar la velocidad. Se descartan los tipos
|
blocked_domains
|
Conjunto de dominios cuyas solicitudes se bloquean. También incluye sus subdominios: por ejemplo,
|
block_ads
|
Bloquea las solicitudes a unos 3500 dominios conocidos de publicidad y seguimiento. Se puede combinar con
|
dns_over_https
|
Envía las consultas DNS por DNS-over-HTTPS de Cloudflare para evitar fugas de DNS al usar proxies.
|
useragent
|
Cadena User-Agent que se va a usar. Si no se indica, el fetcher genera una propia de un navegador real del mismo tipo.
|
cookies
|
Cookies que se usan en la siguiente solicitud.
|
network_idle
|
Espera hasta que la página lleve al menos 500 ms sin conexiones de red.
|
timeout
|
Tiempo máximo, en milisegundos, para todas las operaciones y esperas de la página. El valor predeterminado es 30 000.
|
wait
|
Tiempo en milisegundos que espera el fetcher cuando todo ha terminado, antes de cerrar la página y devolver el objeto
|
page_action
|
Función para automatizar tareas. Recibe el objeto
|
page_setup
|
Función que recibe el objeto
|
wait_selector
|
Espera a que un selector CSS concreto esté en el estado indicado.
|
init_script
|
Ruta absoluta a un archivo JavaScript que se ejecuta al crear cada página de esta sesión.
|
locale
|
Configuración regional del usuario, por ejemplo
|
timezone_id
|
Cambia la zona horaria del navegador. De forma predeterminada, usa la del sistema.
|
wait_selector_state
|
Estado que debe alcanzar el selector indicado en
|
solve_cloudflare
|
Resuelve los distintos tipos de desafíos Turnstile e Interstitial de Cloudflare antes de devolver la respuesta.
|
real_chrome
|
Si tienes Chrome instalado, activa esta opción para que el fetcher abra y use una instancia de ese navegador.
|
hide_canvas
|
Añade ruido aleatorio a las operaciones de canvas para evitar que se identifique la huella del navegador.
|
block_webrtc
|
Obliga a WebRTC a respetar la configuración del proxy para evitar que se filtre la IP local.
|
allow_webgl
|
Está activado de forma predeterminada. Si lo desactivas, se deshabilitan WebGL y WebGL 2.0 por completo. No se recomienda hacerlo porque muchos WAF comprueban si WebGL está activo.
|
load_dom
|
Está activado de forma predeterminada. Espera a que todo el JavaScript de las páginas se cargue y se ejecute.
|
pierce_shadow
|
Incluye el contenido del Shadow DOM abierto en el HTML de la respuesta. El valor predeterminado es False.
|
google_search
|
Está activado de forma predeterminada. Scrapling añade una cabecera referer de Google.
|
extra_headers
|
Diccionario de cabeceras adicionales para la solicitud. El referer de
|
proxy
|
Proxy que se usa en las solicitudes. Puede ser una cadena o un diccionario solo con las claves 'server', 'username' y 'password'.
|
user_data_dir
|
Ruta al directorio de datos del usuario, que guarda las cookies y el almacenamiento local del navegador. De forma predeterminada, se crea un directorio temporal.
|
extra_flags
|
Lista de opciones adicionales que se pasan al navegador al iniciarlo.
|
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
|
additional_args
|
Opciones adicionales para el contexto de Playwright. Tienen prioridad sobre la configuración de Scrapling.
|
| DEVUELVE | DESCRIPCIÓN |
|---|---|
Response
|
Objeto |
Código fuente en scrapling/fetchers/stealth_chrome.py
async_fetch
async
classmethod
¶
Abre un navegador y realiza la solicitud con las opciones que elijas a continuación.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
url
|
URL de destino.
TIPO:
|
headless
|
Ejecuta el navegador sin ventana visible, de forma predeterminada, o con una ventana visible.
|
disable_resources
|
Descarta solicitudes de recursos innecesarios para mejorar la velocidad. Se descartan los tipos
|
blocked_domains
|
Conjunto de dominios cuyas solicitudes se bloquean. También incluye sus subdominios: por ejemplo,
|
block_ads
|
Bloquea las solicitudes a unos 3500 dominios conocidos de publicidad y seguimiento. Se puede combinar con
|
dns_over_https
|
Envía las consultas DNS por DNS-over-HTTPS de Cloudflare para evitar fugas de DNS al usar proxies.
|
useragent
|
Cadena User-Agent que se va a usar. Si no se indica, el fetcher genera una propia de un navegador real del mismo tipo.
|
cookies
|
Cookies que se usan en la siguiente solicitud.
|
network_idle
|
Espera hasta que la página lleve al menos 500 ms sin conexiones de red.
|
timeout
|
Tiempo máximo, en milisegundos, para todas las operaciones y esperas de la página. El valor predeterminado es 30 000.
|
wait
|
Tiempo en milisegundos que espera el fetcher cuando todo ha terminado, antes de cerrar la página y devolver el objeto
|
page_action
|
Función para automatizar tareas. Recibe el objeto
|
page_setup
|
Función que recibe el objeto
|
wait_selector
|
Espera a que un selector CSS concreto esté en el estado indicado.
|
init_script
|
Ruta absoluta a un archivo JavaScript que se ejecuta al crear cada página de esta sesión.
|
locale
|
Configuración regional del usuario, por ejemplo
|
timezone_id
|
Cambia la zona horaria del navegador. De forma predeterminada, usa la del sistema.
|
wait_selector_state
|
Estado que debe alcanzar el selector indicado en
|
solve_cloudflare
|
Resuelve los distintos tipos de desafíos Turnstile e Interstitial de Cloudflare antes de devolver la respuesta.
|
real_chrome
|
Si tienes Chrome instalado, activa esta opción para que el fetcher abra y use una instancia de ese navegador.
|
hide_canvas
|
Añade ruido aleatorio a las operaciones de canvas para evitar que se identifique la huella del navegador.
|
block_webrtc
|
Obliga a WebRTC a respetar la configuración del proxy para evitar que se filtre la IP local.
|
allow_webgl
|
Está activado de forma predeterminada. Si lo desactivas, se deshabilitan WebGL y WebGL 2.0 por completo. No se recomienda hacerlo porque muchos WAF comprueban si WebGL está activo.
|
load_dom
|
Está activado de forma predeterminada. Espera a que todo el JavaScript de las páginas se cargue y se ejecute.
|
pierce_shadow
|
Incluye el contenido del Shadow DOM abierto en el HTML de la respuesta. El valor predeterminado es False.
|
google_search
|
Está activado de forma predeterminada. Scrapling añade una cabecera referer de Google.
|
extra_headers
|
Diccionario de cabeceras adicionales para la solicitud. El referer de
|
proxy
|
Proxy que se usa en las solicitudes. Puede ser una cadena o un diccionario solo con las claves 'server', 'username' y 'password'.
|
user_data_dir
|
Ruta al directorio de datos del usuario, que guarda las cookies y el almacenamiento local del navegador. De forma predeterminada, se crea un directorio temporal.
|
extra_flags
|
Lista de opciones adicionales que se pasan al navegador al iniciarlo.
|
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
|
additional_args
|
Opciones adicionales para el contexto de Playwright. Tienen prioridad sobre la configuración de Scrapling.
|
| DEVUELVE | DESCRIPCIÓN |
|---|---|
Response
|
Objeto |
Código fuente en scrapling/fetchers/stealth_chrome.py
Clases de sesión¶
Sesiones HTTP¶
scrapling.fetchers.FetcherSession
¶
FetcherSession(
impersonate="chrome",
http3=False,
stealthy_headers=True,
proxies=None,
proxy=None,
proxy_auth=None,
timeout=30,
headers=None,
retries=3,
retry_delay=1,
follow_redirects="safe",
max_redirects=30,
verify=True,
cert=None,
selector_config=None,
proxy_rotator=None,
)
Gestor de contexto que crea sesiones de Fetcher con la configuración indicada.
Al usar este gestor en un bloque 'with' o 'async with', se obtiene una nueva sesión con los valores predeterminados del gestor. Conviene usar cada instancia para una sola sesión activa a la vez, o para sesiones sucesivas. No se permite volver a entrar en un contexto con la misma instancia si ya tiene una sesión activa.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
impersonate
|
Versión del navegador cuya identidad se imita. Puede ser una cadena o una lista de cadenas para elegir una al azar. De forma predeterminada, usa la última versión de Chrome disponible.
TIPO:
|
http3
|
Indica si se usa HTTP3. El valor predeterminado es False. Puede causar problemas al combinarlo con
TIPO:
|
stealthy_headers
|
Si está activado, que es el valor predeterminado, crea y añade cabeceras de navegador reales y un referer de Google.
TIPO:
|
proxies
|
Diccionario de proxies que se van a usar. Formato: {"http": proxy_url, "https": proxy_url}. |
proxy
|
URL del proxy. Formato: "http://username:password@localhost:8030". No se puede usar junto con
TIPO:
|
proxy_auth
|
Autenticación HTTP Basic del proxy como tupla (username, password). |
timeout
|
Segundos de espera antes de agotar el tiempo máximo. |
headers
|
Cabeceras que se incluyen en cada solicitud de la sesión. |
retries
|
Número de reintentos. El valor predeterminado es 3.
TIPO:
|
retry_delay
|
Segundos de espera entre reintentos. El valor predeterminado es 1 segundo.
TIPO:
|
follow_redirects
|
Indica si se siguen redirecciones. El valor predeterminado es "safe": sigue las redirecciones, pero rechaza las que apuntan a IP internas o privadas como protección contra SSRF. Usa True para seguirlas todas sin restricciones.
TIPO:
|
max_redirects
|
Número máximo de redirecciones. El valor predeterminado es 30. Usa -1 para no limitarlo.
TIPO:
|
verify
|
Indica si se verifican los certificados HTTPS. El valor predeterminado es True.
TIPO:
|
cert
|
Tupla (cert, key) con los nombres de los archivos del certificado del cliente y su clave. |
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
TIPO:
|
proxy_rotator
|
Instancia de ProxyRotator para rotar los proxies de forma automática.
TIPO:
|
Código fuente en scrapling/engines/static.py
__slots__
class-attribute
instance-attribute
¶
__slots__ = (
"_default_impersonate",
"_stealth",
"_default_proxies",
"_default_proxy",
"_default_proxy_auth",
"_default_timeout",
"_default_headers",
"_default_retries",
"_default_retry_delay",
"_default_follow_redirects",
"_default_max_redirects",
"_default_verify",
"_default_cert",
"_default_http3",
"selector_config",
"_client",
"_is_alive",
"_proxy_rotator",
)
__enter__
¶
Crea y devuelve una nueva sesión síncrona de Fetcher.
Código fuente en scrapling/engines/static.py
__exit__
¶
Código fuente en scrapling/engines/static.py
__aenter__
async
¶
Crea y devuelve una nueva sesión asíncrona.
Código fuente en scrapling/engines/static.py
__aexit__
async
¶
Código fuente en scrapling/engines/static.py
Sesiones sigilosas¶
scrapling.fetchers.StealthySession
¶
Clases base: SyncSession, StealthySessionMixin
flowchart TD
scrapling.fetchers.StealthySession[StealthySession]
scrapling.engines._browsers._base.SyncSession[SyncSession]
scrapling.engines._browsers._base.StealthySessionMixin[StealthySessionMixin]
scrapling.engines._browsers._base.BaseSessionMixin[BaseSessionMixin]
scrapling.engines._browsers._base.SyncSession --> scrapling.fetchers.StealthySession
scrapling.engines._browsers._base.StealthySessionMixin --> scrapling.fetchers.StealthySession
scrapling.engines._browsers._base.BaseSessionMixin --> scrapling.engines._browsers._base.StealthySessionMixin
click scrapling.fetchers.StealthySession href "" "scrapling.fetchers.StealthySession"
click scrapling.engines._browsers._base.SyncSession href "" "scrapling.engines._browsers._base.SyncSession"
click scrapling.engines._browsers._base.StealthySessionMixin href "" "scrapling.engines._browsers._base.StealthySessionMixin"
click scrapling.engines._browsers._base.BaseSessionMixin href "" "scrapling.engines._browsers._base.BaseSessionMixin"
Gestor de sesiones de navegador con protección contra detección y un grupo de páginas reutilizables.
Gestor de sesiones de navegador con un grupo de páginas reutilizables. De forma predeterminada, usa un contexto persistente y un directorio temporal para el perfil de usuario.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
record_requests
|
Guarda las solicitudes y respuestas del navegador que han terminado. Omite las fallidas y las pendientes. El valor predeterminado es False.
|
max_recorded_requests
|
Número máximo de solicitudes guardadas por sesión. El valor predeterminado es 1000. Se eliminan las entradas más antiguas.
|
headless
|
Ejecuta el navegador sin ventana visible, de forma predeterminada, o con una ventana visible.
|
disable_resources
|
Descarta solicitudes de recursos innecesarios para mejorar la velocidad. Se descartan los tipos
|
blocked_domains
|
Conjunto de dominios cuyas solicitudes se bloquean. También incluye sus subdominios: por ejemplo,
|
useragent
|
Cadena User-Agent que se va a usar. Si no se indica, el fetcher genera una propia de un navegador real del mismo tipo.
|
cookies
|
Cookies que se usan en la siguiente solicitud.
|
network_idle
|
Espera hasta que la página lleve al menos 500 ms sin conexiones de red.
|
timeout
|
Tiempo máximo, en milisegundos, para todas las operaciones y esperas de la página. El valor predeterminado es 30 000.
|
wait
|
Tiempo en milisegundos que espera el fetcher cuando todo ha terminado, antes de cerrar la página y devolver el objeto
|
page_action
|
Función para automatizar tareas. Recibe el objeto
|
page_setup
|
Función que recibe el objeto
|
wait_selector
|
Espera a que un selector CSS concreto esté en el estado indicado.
|
init_script
|
Ruta absoluta a un archivo JavaScript que se ejecuta al crear cada página de esta sesión.
|
locale
|
Configuración regional del usuario, por ejemplo
|
timezone_id
|
Cambia la zona horaria del navegador. De forma predeterminada, usa la del sistema.
|
wait_selector_state
|
Estado que debe alcanzar el selector indicado en
|
solve_cloudflare
|
Resuelve los distintos tipos de desafíos Turnstile e Interstitial de Cloudflare antes de devolver la respuesta.
|
real_chrome
|
Si tienes Chrome instalado, activa esta opción para que el fetcher abra y use una instancia de ese navegador.
|
hide_canvas
|
Añade ruido aleatorio a las operaciones de canvas para evitar que se identifique la huella del navegador.
|
block_webrtc
|
Obliga a WebRTC a respetar la configuración del proxy para evitar que se filtre la IP local.
|
allow_webgl
|
Está activado de forma predeterminada. Si lo desactivas, se deshabilitan WebGL y WebGL 2.0 por completo. No se recomienda hacerlo porque muchos WAF comprueban si WebGL está activo.
|
load_dom
|
Está activado de forma predeterminada. Espera a que todo el JavaScript de las páginas se cargue y se ejecute.
|
pierce_shadow
|
Incluye el contenido del Shadow DOM abierto en el HTML de la respuesta. El valor predeterminado es False.
|
google_search
|
Está activado de forma predeterminada. Scrapling añade una cabecera referer de Google.
|
extra_headers
|
Diccionario de cabeceras adicionales para la solicitud. El referer de
|
proxy
|
Proxy que se usa en las solicitudes. Puede ser una cadena o un diccionario solo con las claves 'server', 'username' y 'password'.
|
user_data_dir
|
Ruta al directorio de datos del usuario, que guarda las cookies y el almacenamiento local del navegador. De forma predeterminada, se crea un directorio temporal.
|
extra_flags
|
Lista de opciones adicionales que se pasan al navegador al iniciarlo.
|
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
|
additional_args
|
Opciones adicionales para el contexto de Playwright. Tienen prioridad sobre la configuración de Scrapling.
|
Código fuente en scrapling/engines/_browsers/_stealth.py
network
instance-attribute
¶
__slots__
class-attribute
instance-attribute
¶
__slots__ = (
"_config",
"_context_options",
"_browser_options",
"_user_data_dir",
"_headers_keys",
"max_pages",
"page_pool",
"_max_wait_for_page",
"playwright",
"context",
)
__validate_routine__
¶
Código fuente en scrapling/engines/_browsers/_base.py
__generate_context_options__
¶
Código fuente en scrapling/engines/_browsers/_base.py
__generate_options__
¶
Código fuente en scrapling/engines/_browsers/_base.py
__validate__
¶
Código fuente en scrapling/engines/_browsers/_base.py
save_state
¶
Guarda las cookies, el almacenamiento local e IndexedDB en un archivo JSON compatible con Playwright.
Requiere una sesión iniciada sin rotación de proxies. No guarda sessionStorage.
Código fuente en scrapling/engines/_browsers/_base.py
load_state
¶
Sustituye las cookies, el almacenamiento local e IndexedDB por los datos de un archivo JSON compatible con Playwright.
Requiere una sesión iniciada sin rotación de proxies. Carga o recarga las páginas para usar el inicio de sesión restaurado.
Código fuente en scrapling/engines/_browsers/_base.py
close_pages
¶
Cierra todas las pestañas del grupo de la sesión. La siguiente solicitud abre una pestaña nueva.
close
¶
Cierra todos los recursos.
Código fuente en scrapling/engines/_browsers/_base.py
__enter__
¶
__exit__
¶
get_pool_stats
¶
Obtiene estadísticas del grupo de páginas actual.
start
¶
Crea un navegador para esta instancia y su contexto.
Código fuente en scrapling/engines/_browsers/_stealth.py
fetch
¶
Abre el navegador y realiza la solicitud con las opciones elegidas.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
url
|
URL de destino.
TIPO:
|
google_search
|
Está activado de forma predeterminada. Scrapling añade una cabecera referer de Google.
|
timeout
|
Tiempo máximo, en milisegundos, para todas las operaciones y esperas de la página. El valor predeterminado es 30 000.
|
wait
|
Tiempo en milisegundos que espera el fetcher cuando todo ha terminado, antes de cerrar la página y devolver el objeto
|
page_action
|
Función para automatizar tareas. Recibe el objeto
|
page_setup
|
Función que recibe el objeto
|
extra_headers
|
Diccionario de cabeceras adicionales para la solicitud. El referer de
|
disable_resources
|
Descarta solicitudes de recursos innecesarios para mejorar la velocidad. Se descartan los tipos
|
blocked_domains
|
Conjunto de dominios cuyas solicitudes se bloquean. También incluye sus subdominios: por ejemplo,
|
wait_selector
|
Espera a que un selector CSS concreto esté en el estado indicado.
|
wait_selector_state
|
Estado que debe alcanzar el selector indicado en
|
network_idle
|
Espera hasta que la página lleve al menos 500 ms sin conexiones de red.
|
load_dom
|
Está activado de forma predeterminada. Espera a que todo el JavaScript de las páginas se cargue y se ejecute.
|
pierce_shadow
|
Incluye el contenido del Shadow DOM abierto en el HTML de la respuesta. El valor predeterminado es False.
|
solve_cloudflare
|
Resuelve los distintos tipos de desafíos Turnstile e Interstitial de Cloudflare antes de devolver la respuesta.
|
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
|
proxy
|
Proxy fijo que sustituye al rotador y al proxy de la sesión. Se crea un nuevo contexto de navegador para usarlo.
|
| DEVUELVE | DESCRIPCIÓN |
|---|---|
Response
|
Objeto |
Código fuente en scrapling/engines/_browsers/_stealth.py
224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 | |
scrapling.fetchers.AsyncStealthySession
¶
Clases base: AsyncSession, StealthySessionMixin
flowchart TD
scrapling.fetchers.AsyncStealthySession[AsyncStealthySession]
scrapling.engines._browsers._base.AsyncSession[AsyncSession]
scrapling.engines._browsers._base.StealthySessionMixin[StealthySessionMixin]
scrapling.engines._browsers._base.BaseSessionMixin[BaseSessionMixin]
scrapling.engines._browsers._base.AsyncSession --> scrapling.fetchers.AsyncStealthySession
scrapling.engines._browsers._base.StealthySessionMixin --> scrapling.fetchers.AsyncStealthySession
scrapling.engines._browsers._base.BaseSessionMixin --> scrapling.engines._browsers._base.StealthySessionMixin
click scrapling.fetchers.AsyncStealthySession href "" "scrapling.fetchers.AsyncStealthySession"
click scrapling.engines._browsers._base.AsyncSession href "" "scrapling.engines._browsers._base.AsyncSession"
click scrapling.engines._browsers._base.StealthySessionMixin href "" "scrapling.engines._browsers._base.StealthySessionMixin"
click scrapling.engines._browsers._base.BaseSessionMixin href "" "scrapling.engines._browsers._base.BaseSessionMixin"
Gestor asíncrono de sesiones de navegador con protección contra detección y un grupo de páginas reutilizables.
Gestor de sesiones de navegador con un grupo de páginas reutilizables. De forma predeterminada, usa un contexto persistente y un directorio temporal para el perfil de usuario.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
record_requests
|
Guarda las solicitudes y respuestas del navegador que han terminado. Omite las fallidas y las pendientes. El valor predeterminado es False.
|
max_recorded_requests
|
Número máximo de solicitudes guardadas por sesión. El valor predeterminado es 1000. Se eliminan las entradas más antiguas.
|
headless
|
Ejecuta el navegador sin ventana visible, de forma predeterminada, o con una ventana visible.
|
disable_resources
|
Descarta solicitudes de recursos innecesarios para mejorar la velocidad. Se descartan los tipos
|
blocked_domains
|
Conjunto de dominios cuyas solicitudes se bloquean. También incluye sus subdominios: por ejemplo,
|
useragent
|
Cadena User-Agent que se va a usar. Si no se indica, el fetcher genera una propia de un navegador real del mismo tipo.
|
cookies
|
Cookies que se usan en la siguiente solicitud.
|
network_idle
|
Espera hasta que la página lleve al menos 500 ms sin conexiones de red.
|
timeout
|
Tiempo máximo, en milisegundos, para todas las operaciones y esperas de la página. El valor predeterminado es 30 000.
|
wait
|
Tiempo en milisegundos que espera el fetcher cuando todo ha terminado, antes de cerrar la página y devolver el objeto
|
page_action
|
Función para automatizar tareas. Recibe el objeto
|
page_setup
|
Función que recibe el objeto
|
wait_selector
|
Espera a que un selector CSS concreto esté en el estado indicado.
|
init_script
|
Ruta absoluta a un archivo JavaScript que se ejecuta al crear cada página de esta sesión.
|
locale
|
Configuración regional del usuario, por ejemplo
|
timezone_id
|
Cambia la zona horaria del navegador. De forma predeterminada, usa la del sistema.
|
wait_selector_state
|
Estado que debe alcanzar el selector indicado en
|
solve_cloudflare
|
Resuelve los distintos tipos de desafíos Turnstile e Interstitial de Cloudflare antes de devolver la respuesta.
|
real_chrome
|
Si tienes Chrome instalado, activa esta opción para que el fetcher abra y use una instancia de ese navegador.
|
hide_canvas
|
Añade ruido aleatorio a las operaciones de canvas para evitar que se identifique la huella del navegador.
|
block_webrtc
|
Obliga a WebRTC a respetar la configuración del proxy para evitar que se filtre la IP local.
|
allow_webgl
|
Está activado de forma predeterminada. Si lo desactivas, se deshabilitan WebGL y WebGL 2.0 por completo. No se recomienda hacerlo porque muchos WAF comprueban si WebGL está activo.
|
load_dom
|
Está activado de forma predeterminada. Espera a que todo el JavaScript de las páginas se cargue y se ejecute.
|
pierce_shadow
|
Incluye el contenido del Shadow DOM abierto en el HTML de la respuesta. El valor predeterminado es False.
|
google_search
|
Está activado de forma predeterminada. Scrapling añade una cabecera referer de Google.
|
extra_headers
|
Diccionario de cabeceras adicionales para la solicitud. El referer de
|
proxy
|
Proxy que se usa en las solicitudes. Puede ser una cadena o un diccionario solo con las claves 'server', 'username' y 'password'.
|
user_data_dir
|
Ruta al directorio de datos del usuario, que guarda las cookies y el almacenamiento local del navegador. De forma predeterminada, se crea un directorio temporal.
|
extra_flags
|
Lista de opciones adicionales que se pasan al navegador al iniciarlo.
|
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
|
additional_args
|
Opciones adicionales para el contexto de Playwright. Tienen prioridad sobre la configuración de Scrapling.
|
Código fuente en scrapling/engines/_browsers/_stealth.py
network
instance-attribute
¶
network = NetworkRecorder(
enabled=record_requests,
max_requests=max_recorded_requests,
asynchronous=True,
)
__slots__
class-attribute
instance-attribute
¶
__slots__ = (
"_config",
"_context_options",
"_browser_options",
"_user_data_dir",
"_headers_keys",
)
__validate_routine__
¶
Código fuente en scrapling/engines/_browsers/_base.py
__generate_context_options__
¶
Código fuente en scrapling/engines/_browsers/_base.py
__generate_options__
¶
Código fuente en scrapling/engines/_browsers/_base.py
__validate__
¶
Código fuente en scrapling/engines/_browsers/_base.py
save_state
async
¶
Guarda las cookies, el almacenamiento local e IndexedDB en un archivo JSON compatible con Playwright.
Requiere una sesión iniciada sin rotación de proxies. No guarda sessionStorage.
Código fuente en scrapling/engines/_browsers/_base.py
load_state
async
¶
Sustituye las cookies, el almacenamiento local e IndexedDB por los datos de un archivo JSON compatible con Playwright.
Requiere una sesión iniciada sin rotación de proxies. Carga o recarga las páginas para usar el inicio de sesión restaurado.
Código fuente en scrapling/engines/_browsers/_base.py
close_pages
async
¶
Cierra todas las pestañas del grupo de la sesión. La siguiente solicitud abre una pestaña nueva.
Código fuente en scrapling/engines/_browsers/_base.py
close
async
¶
Cierra todos los recursos.
Código fuente en scrapling/engines/_browsers/_base.py
__aenter__
async
¶
__aexit__
async
¶
get_pool_stats
¶
Obtiene estadísticas del grupo de páginas actual.
start
async
¶
Crea un navegador para esta instancia y su contexto.
Código fuente en scrapling/engines/_browsers/_stealth.py
fetch
async
¶
Abre el navegador y realiza la solicitud con las opciones elegidas.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
url
|
URL de destino.
TIPO:
|
google_search
|
Está activado de forma predeterminada. Scrapling añade una cabecera referer de Google.
|
timeout
|
Tiempo máximo, en milisegundos, para todas las operaciones y esperas de la página. El valor predeterminado es 30 000.
|
wait
|
Tiempo en milisegundos que espera el fetcher cuando todo ha terminado, antes de cerrar la página y devolver el objeto
|
page_action
|
Función para automatizar tareas. Recibe el objeto
|
page_setup
|
Función que recibe el objeto
|
extra_headers
|
Diccionario de cabeceras adicionales para la solicitud. El referer de
|
disable_resources
|
Descarta solicitudes de recursos innecesarios para mejorar la velocidad. Se descartan los tipos
|
blocked_domains
|
Conjunto de dominios cuyas solicitudes se bloquean. También incluye sus subdominios: por ejemplo,
|
wait_selector
|
Espera a que un selector CSS concreto esté en el estado indicado.
|
wait_selector_state
|
Estado que debe alcanzar el selector indicado en
|
network_idle
|
Espera hasta que la página lleve al menos 500 ms sin conexiones de red.
|
load_dom
|
Está activado de forma predeterminada. Espera a que todo el JavaScript de las páginas se cargue y se ejecute.
|
pierce_shadow
|
Incluye el contenido del Shadow DOM abierto en el HTML de la respuesta. El valor predeterminado es False.
|
solve_cloudflare
|
Resuelve los distintos tipos de desafíos Turnstile e Interstitial de Cloudflare antes de devolver la respuesta.
|
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
|
proxy
|
Proxy fijo que sustituye al rotador y al proxy de la sesión. Se crea un nuevo contexto de navegador para usarlo.
|
| DEVUELVE | DESCRIPCIÓN |
|---|---|
Response
|
Objeto |
Código fuente en scrapling/engines/_browsers/_stealth.py
541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 | |
Sesiones remotas¶
scrapling.fetchers.RemoteSession
¶
Clases base: _RemoteSessionMixin, StealthySession
flowchart TD
scrapling.fetchers.RemoteSession[RemoteSession]
scrapling.engines._browsers._remote._RemoteSessionMixin[_RemoteSessionMixin]
scrapling.engines._browsers._stealth.StealthySession[StealthySession]
scrapling.engines._browsers._base.SyncSession[SyncSession]
scrapling.engines._browsers._base.StealthySessionMixin[StealthySessionMixin]
scrapling.engines._browsers._base.BaseSessionMixin[BaseSessionMixin]
scrapling.engines._browsers._remote._RemoteSessionMixin --> scrapling.fetchers.RemoteSession
scrapling.engines._browsers._base.StealthySessionMixin --> scrapling.engines._browsers._remote._RemoteSessionMixin
scrapling.engines._browsers._base.BaseSessionMixin --> scrapling.engines._browsers._base.StealthySessionMixin
scrapling.engines._browsers._stealth.StealthySession --> scrapling.fetchers.RemoteSession
scrapling.engines._browsers._base.SyncSession --> scrapling.engines._browsers._stealth.StealthySession
scrapling.engines._browsers._base.StealthySessionMixin --> scrapling.engines._browsers._stealth.StealthySession
scrapling.engines._browsers._base.BaseSessionMixin --> scrapling.engines._browsers._base.StealthySessionMixin
click scrapling.fetchers.RemoteSession href "" "scrapling.fetchers.RemoteSession"
click scrapling.engines._browsers._remote._RemoteSessionMixin href "" "scrapling.engines._browsers._remote._RemoteSessionMixin"
click scrapling.engines._browsers._stealth.StealthySession href "" "scrapling.engines._browsers._stealth.StealthySession"
click scrapling.engines._browsers._base.SyncSession href "" "scrapling.engines._browsers._base.SyncSession"
click scrapling.engines._browsers._base.StealthySessionMixin href "" "scrapling.engines._browsers._base.StealthySessionMixin"
click scrapling.engines._browsers._base.BaseSessionMixin href "" "scrapling.engines._browsers._base.BaseSessionMixin"
A CDP browser session that creates its own context or borrows the default context.
Gestor de sesiones de navegador con un grupo de páginas reutilizables. De forma predeterminada, usa un contexto persistente y un directorio temporal para el perfil de usuario.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
record_requests
|
Guarda las solicitudes y respuestas del navegador que han terminado. Omite las fallidas y las pendientes. El valor predeterminado es False.
|
max_recorded_requests
|
Número máximo de solicitudes guardadas por sesión. El valor predeterminado es 1000. Se eliminan las entradas más antiguas.
|
headless
|
Ejecuta el navegador sin ventana visible, de forma predeterminada, o con una ventana visible.
|
disable_resources
|
Descarta solicitudes de recursos innecesarios para mejorar la velocidad. Se descartan los tipos
|
blocked_domains
|
Conjunto de dominios cuyas solicitudes se bloquean. También incluye sus subdominios: por ejemplo,
|
useragent
|
Cadena User-Agent que se va a usar. Si no se indica, el fetcher genera una propia de un navegador real del mismo tipo.
|
cookies
|
Cookies que se usan en la siguiente solicitud.
|
network_idle
|
Espera hasta que la página lleve al menos 500 ms sin conexiones de red.
|
timeout
|
Tiempo máximo, en milisegundos, para todas las operaciones y esperas de la página. El valor predeterminado es 30 000.
|
wait
|
Tiempo en milisegundos que espera el fetcher cuando todo ha terminado, antes de cerrar la página y devolver el objeto
|
page_action
|
Función para automatizar tareas. Recibe el objeto
|
page_setup
|
Función que recibe el objeto
|
wait_selector
|
Espera a que un selector CSS concreto esté en el estado indicado.
|
init_script
|
Ruta absoluta a un archivo JavaScript que se ejecuta al crear cada página de esta sesión.
|
locale
|
Configuración regional del usuario, por ejemplo
|
timezone_id
|
Cambia la zona horaria del navegador. De forma predeterminada, usa la del sistema.
|
wait_selector_state
|
Estado que debe alcanzar el selector indicado en
|
solve_cloudflare
|
Resuelve los distintos tipos de desafíos Turnstile e Interstitial de Cloudflare antes de devolver la respuesta.
|
real_chrome
|
Si tienes Chrome instalado, activa esta opción para que el fetcher abra y use una instancia de ese navegador.
|
hide_canvas
|
Añade ruido aleatorio a las operaciones de canvas para evitar que se identifique la huella del navegador.
|
block_webrtc
|
Obliga a WebRTC a respetar la configuración del proxy para evitar que se filtre la IP local.
|
allow_webgl
|
Está activado de forma predeterminada. Si lo desactivas, se deshabilitan WebGL y WebGL 2.0 por completo. No se recomienda hacerlo porque muchos WAF comprueban si WebGL está activo.
|
load_dom
|
Está activado de forma predeterminada. Espera a que todo el JavaScript de las páginas se cargue y se ejecute.
|
pierce_shadow
|
Incluye el contenido del Shadow DOM abierto en el HTML de la respuesta. El valor predeterminado es False.
|
google_search
|
Está activado de forma predeterminada. Scrapling añade una cabecera referer de Google.
|
extra_headers
|
Diccionario de cabeceras adicionales para la solicitud. El referer de
|
proxy
|
Proxy que se usa en las solicitudes. Puede ser una cadena o un diccionario solo con las claves 'server', 'username' y 'password'.
|
user_data_dir
|
Ruta al directorio de datos del usuario, que guarda las cookies y el almacenamiento local del navegador. De forma predeterminada, se crea un directorio temporal.
|
extra_flags
|
Lista de opciones adicionales que se pasan al navegador al iniciarlo.
|
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
|
additional_args
|
Opciones adicionales para el contexto de Playwright. Tienen prioridad sobre la configuración de Scrapling. Connect to a remote browser when the session starts.
|
cdp_url
|
HTTP or WebSocket CDP endpoint of an existing Chromium browser.
TIPO:
|
new_context
|
Create and close a separate context. If False, keep the existing default context open and ignore useragent, locale, timezone_id, proxy, proxy_rotator and additional_args.
TIPO:
|
kwargs
|
Shared session and page options. Browser launch options do not apply. Cookies and init scripts affect the shared context when new_context is False.
TIPO:
|
Código fuente en scrapling/engines/_browsers/_remote.py
network
instance-attribute
¶
__slots__
class-attribute
instance-attribute
¶
__slots__ = (
"_config",
"_context_options",
"_browser_options",
"_user_data_dir",
"_headers_keys",
"max_pages",
"page_pool",
"_max_wait_for_page",
"playwright",
"context",
)
__validate_routine__
¶
Código fuente en scrapling/engines/_browsers/_base.py
__generate_context_options__
¶
Código fuente en scrapling/engines/_browsers/_base.py
__generate_options__
¶
Código fuente en scrapling/engines/_browsers/_remote.py
__validate__
¶
Código fuente en scrapling/engines/_browsers/_base.py
start
¶
Crea un navegador para esta instancia y su contexto.
Código fuente en scrapling/engines/_browsers/_stealth.py
save_state
¶
Guarda las cookies, el almacenamiento local e IndexedDB en un archivo JSON compatible con Playwright.
Requiere una sesión iniciada sin rotación de proxies. No guarda sessionStorage.
Código fuente en scrapling/engines/_browsers/_base.py
load_state
¶
Sustituye las cookies, el almacenamiento local e IndexedDB por los datos de un archivo JSON compatible con Playwright.
Requiere una sesión iniciada sin rotación de proxies. Carga o recarga las páginas para usar el inicio de sesión restaurado.
Código fuente en scrapling/engines/_browsers/_base.py
close_pages
¶
Cierra todas las pestañas del grupo de la sesión. La siguiente solicitud abre una pestaña nueva.
close
¶
Cierra todos los recursos.
Código fuente en scrapling/engines/_browsers/_base.py
__enter__
¶
__exit__
¶
get_pool_stats
¶
Obtiene estadísticas del grupo de páginas actual.
fetch
¶
Abre el navegador y realiza la solicitud con las opciones elegidas.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
url
|
URL de destino.
TIPO:
|
google_search
|
Está activado de forma predeterminada. Scrapling añade una cabecera referer de Google.
|
timeout
|
Tiempo máximo, en milisegundos, para todas las operaciones y esperas de la página. El valor predeterminado es 30 000.
|
wait
|
Tiempo en milisegundos que espera el fetcher cuando todo ha terminado, antes de cerrar la página y devolver el objeto
|
page_action
|
Función para automatizar tareas. Recibe el objeto
|
page_setup
|
Función que recibe el objeto
|
extra_headers
|
Diccionario de cabeceras adicionales para la solicitud. El referer de
|
disable_resources
|
Descarta solicitudes de recursos innecesarios para mejorar la velocidad. Se descartan los tipos
|
blocked_domains
|
Conjunto de dominios cuyas solicitudes se bloquean. También incluye sus subdominios: por ejemplo,
|
wait_selector
|
Espera a que un selector CSS concreto esté en el estado indicado.
|
wait_selector_state
|
Estado que debe alcanzar el selector indicado en
|
network_idle
|
Espera hasta que la página lleve al menos 500 ms sin conexiones de red.
|
load_dom
|
Está activado de forma predeterminada. Espera a que todo el JavaScript de las páginas se cargue y se ejecute.
|
pierce_shadow
|
Incluye el contenido del Shadow DOM abierto en el HTML de la respuesta. El valor predeterminado es False.
|
solve_cloudflare
|
Resuelve los distintos tipos de desafíos Turnstile e Interstitial de Cloudflare antes de devolver la respuesta.
|
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
|
proxy
|
Proxy fijo que sustituye al rotador y al proxy de la sesión. Se crea un nuevo contexto de navegador para usarlo.
|
| DEVUELVE | DESCRIPCIÓN |
|---|---|
Response
|
Objeto |
Código fuente en scrapling/engines/_browsers/_stealth.py
224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 | |
scrapling.fetchers.AsyncRemoteSession
¶
Clases base: _RemoteSessionMixin, AsyncStealthySession
flowchart TD
scrapling.fetchers.AsyncRemoteSession[AsyncRemoteSession]
scrapling.engines._browsers._remote._RemoteSessionMixin[_RemoteSessionMixin]
scrapling.engines._browsers._stealth.AsyncStealthySession[AsyncStealthySession]
scrapling.engines._browsers._base.AsyncSession[AsyncSession]
scrapling.engines._browsers._base.StealthySessionMixin[StealthySessionMixin]
scrapling.engines._browsers._base.BaseSessionMixin[BaseSessionMixin]
scrapling.engines._browsers._remote._RemoteSessionMixin --> scrapling.fetchers.AsyncRemoteSession
scrapling.engines._browsers._base.StealthySessionMixin --> scrapling.engines._browsers._remote._RemoteSessionMixin
scrapling.engines._browsers._base.BaseSessionMixin --> scrapling.engines._browsers._base.StealthySessionMixin
scrapling.engines._browsers._stealth.AsyncStealthySession --> scrapling.fetchers.AsyncRemoteSession
scrapling.engines._browsers._base.AsyncSession --> scrapling.engines._browsers._stealth.AsyncStealthySession
scrapling.engines._browsers._base.StealthySessionMixin --> scrapling.engines._browsers._stealth.AsyncStealthySession
scrapling.engines._browsers._base.BaseSessionMixin --> scrapling.engines._browsers._base.StealthySessionMixin
click scrapling.fetchers.AsyncRemoteSession href "" "scrapling.fetchers.AsyncRemoteSession"
click scrapling.engines._browsers._remote._RemoteSessionMixin href "" "scrapling.engines._browsers._remote._RemoteSessionMixin"
click scrapling.engines._browsers._stealth.AsyncStealthySession href "" "scrapling.engines._browsers._stealth.AsyncStealthySession"
click scrapling.engines._browsers._base.AsyncSession href "" "scrapling.engines._browsers._base.AsyncSession"
click scrapling.engines._browsers._base.StealthySessionMixin href "" "scrapling.engines._browsers._base.StealthySessionMixin"
click scrapling.engines._browsers._base.BaseSessionMixin href "" "scrapling.engines._browsers._base.BaseSessionMixin"
An async CDP session that creates its own context or borrows the default context.
Gestor de sesiones de navegador con un grupo de páginas reutilizables. De forma predeterminada, usa un contexto persistente y un directorio temporal para el perfil de usuario.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
record_requests
|
Guarda las solicitudes y respuestas del navegador que han terminado. Omite las fallidas y las pendientes. El valor predeterminado es False.
|
max_recorded_requests
|
Número máximo de solicitudes guardadas por sesión. El valor predeterminado es 1000. Se eliminan las entradas más antiguas.
|
headless
|
Ejecuta el navegador sin ventana visible, de forma predeterminada, o con una ventana visible.
|
disable_resources
|
Descarta solicitudes de recursos innecesarios para mejorar la velocidad. Se descartan los tipos
|
blocked_domains
|
Conjunto de dominios cuyas solicitudes se bloquean. También incluye sus subdominios: por ejemplo,
|
useragent
|
Cadena User-Agent que se va a usar. Si no se indica, el fetcher genera una propia de un navegador real del mismo tipo.
|
cookies
|
Cookies que se usan en la siguiente solicitud.
|
network_idle
|
Espera hasta que la página lleve al menos 500 ms sin conexiones de red.
|
timeout
|
Tiempo máximo, en milisegundos, para todas las operaciones y esperas de la página. El valor predeterminado es 30 000.
|
wait
|
Tiempo en milisegundos que espera el fetcher cuando todo ha terminado, antes de cerrar la página y devolver el objeto
|
page_action
|
Función para automatizar tareas. Recibe el objeto
|
page_setup
|
Función que recibe el objeto
|
wait_selector
|
Espera a que un selector CSS concreto esté en el estado indicado.
|
init_script
|
Ruta absoluta a un archivo JavaScript que se ejecuta al crear cada página de esta sesión.
|
locale
|
Configuración regional del usuario, por ejemplo
|
timezone_id
|
Cambia la zona horaria del navegador. De forma predeterminada, usa la del sistema.
|
wait_selector_state
|
Estado que debe alcanzar el selector indicado en
|
solve_cloudflare
|
Resuelve los distintos tipos de desafíos Turnstile e Interstitial de Cloudflare antes de devolver la respuesta.
|
real_chrome
|
Si tienes Chrome instalado, activa esta opción para que el fetcher abra y use una instancia de ese navegador.
|
hide_canvas
|
Añade ruido aleatorio a las operaciones de canvas para evitar que se identifique la huella del navegador.
|
block_webrtc
|
Obliga a WebRTC a respetar la configuración del proxy para evitar que se filtre la IP local.
|
allow_webgl
|
Está activado de forma predeterminada. Si lo desactivas, se deshabilitan WebGL y WebGL 2.0 por completo. No se recomienda hacerlo porque muchos WAF comprueban si WebGL está activo.
|
load_dom
|
Está activado de forma predeterminada. Espera a que todo el JavaScript de las páginas se cargue y se ejecute.
|
pierce_shadow
|
Incluye el contenido del Shadow DOM abierto en el HTML de la respuesta. El valor predeterminado es False.
|
google_search
|
Está activado de forma predeterminada. Scrapling añade una cabecera referer de Google.
|
extra_headers
|
Diccionario de cabeceras adicionales para la solicitud. El referer de
|
proxy
|
Proxy que se usa en las solicitudes. Puede ser una cadena o un diccionario solo con las claves 'server', 'username' y 'password'.
|
user_data_dir
|
Ruta al directorio de datos del usuario, que guarda las cookies y el almacenamiento local del navegador. De forma predeterminada, se crea un directorio temporal.
|
extra_flags
|
Lista de opciones adicionales que se pasan al navegador al iniciarlo.
|
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
|
additional_args
|
Opciones adicionales para el contexto de Playwright. Tienen prioridad sobre la configuración de Scrapling. Connect to a remote browser when the session starts.
|
cdp_url
|
HTTP or WebSocket CDP endpoint of an existing Chromium browser.
TIPO:
|
new_context
|
Create and close a separate context. If False, keep the existing default context open and ignore useragent, locale, timezone_id, proxy, proxy_rotator and additional_args.
TIPO:
|
kwargs
|
Shared session and page options. Browser launch options do not apply. Cookies and init scripts affect the shared context when new_context is False.
TIPO:
|
Código fuente en scrapling/engines/_browsers/_remote.py
network
instance-attribute
¶
network = NetworkRecorder(
enabled=record_requests,
max_requests=max_recorded_requests,
asynchronous=True,
)
__slots__
class-attribute
instance-attribute
¶
__slots__ = (
"_config",
"_context_options",
"_browser_options",
"_user_data_dir",
"_headers_keys",
)
__validate_routine__
¶
Código fuente en scrapling/engines/_browsers/_base.py
__generate_context_options__
¶
Código fuente en scrapling/engines/_browsers/_base.py
__generate_options__
¶
Código fuente en scrapling/engines/_browsers/_remote.py
__validate__
¶
Código fuente en scrapling/engines/_browsers/_base.py
start
async
¶
Crea un navegador para esta instancia y su contexto.
Código fuente en scrapling/engines/_browsers/_stealth.py
save_state
async
¶
Guarda las cookies, el almacenamiento local e IndexedDB en un archivo JSON compatible con Playwright.
Requiere una sesión iniciada sin rotación de proxies. No guarda sessionStorage.
Código fuente en scrapling/engines/_browsers/_base.py
load_state
async
¶
Sustituye las cookies, el almacenamiento local e IndexedDB por los datos de un archivo JSON compatible con Playwright.
Requiere una sesión iniciada sin rotación de proxies. Carga o recarga las páginas para usar el inicio de sesión restaurado.
Código fuente en scrapling/engines/_browsers/_base.py
close_pages
async
¶
Cierra todas las pestañas del grupo de la sesión. La siguiente solicitud abre una pestaña nueva.
Código fuente en scrapling/engines/_browsers/_base.py
close
async
¶
Cierra todos los recursos.
Código fuente en scrapling/engines/_browsers/_base.py
__aenter__
async
¶
__aexit__
async
¶
get_pool_stats
¶
Obtiene estadísticas del grupo de páginas actual.
fetch
async
¶
Abre el navegador y realiza la solicitud con las opciones elegidas.
| PARÁMETRO | DESCRIPCIÓN |
|---|---|
url
|
URL de destino.
TIPO:
|
google_search
|
Está activado de forma predeterminada. Scrapling añade una cabecera referer de Google.
|
timeout
|
Tiempo máximo, en milisegundos, para todas las operaciones y esperas de la página. El valor predeterminado es 30 000.
|
wait
|
Tiempo en milisegundos que espera el fetcher cuando todo ha terminado, antes de cerrar la página y devolver el objeto
|
page_action
|
Función para automatizar tareas. Recibe el objeto
|
page_setup
|
Función que recibe el objeto
|
extra_headers
|
Diccionario de cabeceras adicionales para la solicitud. El referer de
|
disable_resources
|
Descarta solicitudes de recursos innecesarios para mejorar la velocidad. Se descartan los tipos
|
blocked_domains
|
Conjunto de dominios cuyas solicitudes se bloquean. También incluye sus subdominios: por ejemplo,
|
wait_selector
|
Espera a que un selector CSS concreto esté en el estado indicado.
|
wait_selector_state
|
Estado que debe alcanzar el selector indicado en
|
network_idle
|
Espera hasta que la página lleve al menos 500 ms sin conexiones de red.
|
load_dom
|
Está activado de forma predeterminada. Espera a que todo el JavaScript de las páginas se cargue y se ejecute.
|
pierce_shadow
|
Incluye el contenido del Shadow DOM abierto en el HTML de la respuesta. El valor predeterminado es False.
|
solve_cloudflare
|
Resuelve los distintos tipos de desafíos Turnstile e Interstitial de Cloudflare antes de devolver la respuesta.
|
selector_config
|
Argumentos que se pasan al crear la clase Selector final.
|
proxy
|
Proxy fijo que sustituye al rotador y al proxy de la sesión. Se crea un nuevo contexto de navegador para usarlo.
|
| DEVUELVE | DESCRIPCIÓN |
|---|---|
Response
|
Objeto |
Código fuente en scrapling/engines/_browsers/_stealth.py
541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 | |