Synthèse automatique
Guide pour extraire de grandes quantités de données depuis des sites web en interceptant les appels API et en rejouant les requêtes avec pagination, plutôt que de défiler et parser le DOM.
Points forts
- Extraction plus rapide et fiable qu'un défilement DOM
- Gestion automatique de la pagination via les API
- Approche incrémentale réduisant les erreurs de débogage
- Données structurées directement exploitables
Limites
- Nécessite de comprendre le schéma des API cibles
- Dépend du navigateur et de l'interception réseau
- Peut être bloqué par des protections anti-scraping ou des modifications d'API
Quand vous devez collecter de grands volumes de données structurées à partir de sites web disposant d'API sous-jacentes.
Quand le site n'expose pas d'API ou que l'authentification est complexe à reproduire, ou pour de petites extractions qui peuvent être faites manuellement.
Analyse de sécurité
SûrThe skill describes data scraping via browser API replay, with no destructive or exfiltrating actions. It uses browser automation for legitimate purposes, includes rate limiting, and stores data locally.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
Write a script to intercept the UserTweets API endpoint on a Twitter profile page, capture the response schema, and replay requests with cursor pagination to extract all tweets (id, text, timestamp).I need to scrape product listings from an e-commerce site. Use network interception to capture the API call that returns product data, then replay it with pagination to gather all products.Create a browser automation script that intercepts network requests, identifies a paginated API endpoint, and recursively fetches all pages while handling cursors and rate limiting.Data Scraping Guide
For large datasets (followers, posts, search results), intercept and replay network requests rather than scrolling and parsing the DOM. This is faster, more reliable, and handles pagination automatically.
Why Not Scroll?
Scrolling is slow, unreliable, and wastes time. APIs return structured data with pagination built in. Always prefer API replay.
Start Small, Then Scale
Don't try to automate everything at once. Work incrementally:
- Capture one request - verify you're intercepting the right endpoint
- Inspect one response - understand the schema before writing extraction code
- Extract a few items - make sure your parsing logic works
- Then scale up - add pagination loop only after the basics work
This prevents wasting time debugging a complex script when the issue is a simple path like data.user.timeline vs data.user.result.timeline.
Step-by-Step Workflow
1. Capture Request Details
First, intercept a request to understand URL structure and required headers:
import { connect, waitForPageLoad } from "@/client.js";
import * as fs from "node:fs";
const client = await connect();
const page = await client.page("site");
let capturedRequest = null;
page.on("request", (request) => {
const url = request.url();
// Look for API endpoints (adjust pattern for your target site)
if (url.includes("/api/") || url.includes("/graphql/")) {
capturedRequest = {
url: url,
headers: request.headers(),
method: request.method(),
};
fs.writeFileSync("tmp/request-details.json", JSON.stringify(capturedRequest, null, 2));
console.log("Captured request:", url.substring(0, 80) + "...");
}
});
await page.goto("https://example.com/profile");
await waitForPageLoad(page);
await page.waitForTimeout(3000);
await client.disconnect();
2. Capture Response to Understand Schema
Save a raw response to inspect the data structure:
page.on("response", async (response) => {
const url = response.url();
if (url.includes("UserTweets") || url.includes("/api/data")) {
const json = await response.json();
fs.writeFileSync("tmp/api-response.json", JSON.stringify(json, null, 2));
console.log("Captured response");
}
});
Then analyze the structure to find:
- Where the data array lives (e.g.,
data.user.result.timeline.instructions[].entries) - Where pagination cursors are (e.g.,
cursor-bottomentries) - What fields you need to extract
3. Replay API with Pagination
Once you understand the schema, replay requests directly:
import { connect } from "@/client.js";
import * as fs from "node:fs";
const client = await connect();
const page = await client.page("site");
const results = new Map(); // Use Map for deduplication
const headers = JSON.parse(fs.readFileSync("tmp/request-details.json", "utf8")).headers;
const baseUrl = "https://example.com/api/data";
let cursor = null;
let hasMore = true;
while (hasMore) {
// Build URL with pagination cursor
const params = { count: 20 };
if (cursor) params.cursor = cursor;
const url = `${baseUrl}?params=${encodeURIComponent(JSON.stringify(params))}`;
// Execute fetch in browser context (has auth cookies/headers)
const response = await page.evaluate(
async ({ url, headers }) => {
const res = await fetch(url, { headers });
return res.json();
},
{ url, headers }
);
// Extract data and cursor (adjust paths for your API)
const entries = response?.data?.entries || [];
for (const entry of entries) {
if (entry.type === "cursor-bottom") {
cursor = entry.value;
} else if (entry.id && !results.has(entry.id)) {
results.set(entry.id, {
id: entry.id,
text: entry.content,
timestamp: entry.created_at,
});
}
}
console.log(`Fetched page, total: ${results.size}`);
// Check stop conditions
if (!cursor || entries.length === 0) hasMore = false;
// Rate limiting - be respectful
await new Promise((r) => setTimeout(r, 500));
}
// Export results
const data = Array.from(results.values());
fs.writeFileSync("tmp/results.json", JSON.stringify(data, null, 2));
console.log(`Saved ${data.length} items`);
await client.disconnect();
Key Patterns
| Pattern | Description |
| ----------------------- | ------------------------------------------------------ |
| page.on('request') | Capture outgoing request URL + headers |
| page.on('response') | Capture response data to understand schema |
| page.evaluate(fetch) | Replay requests in browser context (inherits auth) |
| Map for deduplication | APIs often return overlapping data across pages |
| Cursor-based pagination | Look for cursor, next_token, offset in responses |
Tips
- Extension mode:
page.context().cookies()doesn't work - capture auth headers from intercepted requests instead - Rate limiting: Add 500ms+ delays between requests to avoid blocks
- Stop conditions: Check for empty results, missing cursor, or reaching a date/ID threshold
- GraphQL APIs: URL params often include
variablesandfeaturesJSON objects - capture and reuse them
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/web-scraping-via-api-interception-mm5t8chf/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/web-scraping-via-api-interception-mm5t8chf' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/web-scraping-via-api-interception-mm5t8chf/download' --output '.skill-downloads/web-scraping-via-api-interception-mm5t8chf/SKILL.md.part' && mv '.skill-downloads/web-scraping-via-api-interception-mm5t8chf/SKILL.md.part' '.skill-downloads/web-scraping-via-api-interception-mm5t8chf/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Le fichier ne fournit pas un en-tête name/description exploitable pour cette procédure native. Le téléchargement reste disponible pour lecture ; utilisez le mode manuel ci-dessous.
Mode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/web-scraping-via-api-interception-mm5t8chf/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Créer des cartes interactives avec kepler.gl
Data & IA
Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).
Optimisation de paramètres par agent
Data & IA
Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.
Relance des visiteurs ICP
Data & IA
Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.