browser-harvest

# browser-harvest — 从登录态后台批量取数 很多值钱的数据在 SaaS 后台里：没有 API，或者 API 单独收费，或者导出按行扣点数。 界面就在那儿，人能看见，脚本却拿不到。本 Skill 解决的就是这段路。 **适用**：SEO/分析/广告/电商后台的报表页，需要登录态，数据以表格或列表呈现。 **不适用**：有开放 API 的服务（直接调 API）、静态公开页面（普通抓取即可）。 ## 零、先决条件：必须用用户的真实浏览器 登录态在用户的浏览器里。任何"干净"的无头浏览器都没有会话，跑起来只会看到登录页。 - 用能连接用户真实浏览器的工具（Claude in Chrome 一类的浏览器扩展通道）。 - 内置的、隔离的预览浏览器**没有登录态**，不要用它去开后台。 - 如果同时存在两套浏览器工具，开工前明确说明用的是哪一套，别让用户以为你在他的浏览器里操作、实际却在一个空环境里空转。 ## 一、四个必踩的坑 ### 1. 现代后台的表格不是 `<table>` 高性能数据网格普遍用虚拟滚动：DOM 里只有可视区那几十行，而且常是**列式**结构—— 行号、名称、数值各在自己的容器里。`querySelectorAll('tr')` 返回 0，`role="row"` 也常常没有。 **解法：按屏幕坐标重建行。** 取所有叶子元素的 `getBoundingClientRect()`，按 Y 聚类，行内按 X 排序。 两个关键细节： - **锚点要选稳定的那一列**。用行号列做锚点会漏行（实测 100 行漏 23 行，因为行号单元格 和其它单元格偶尔落进不同的 Y 分桶）。改用**内容主列**（名称/关键词那一列）做锚点， 再收同一 Y ±11px 的其它单元格，才能 100% 还原。 - **一定要限定扫描范围**。整个 `document` 扫 `div,span,a` 单次约 2 秒，滚动循环几十次就爆超时； 改用 `TreeWalker` 且只在滚动容器内走，实测降到 **6ms**（快 300 倍）。写循环前先量单次耗时。 不同报表的列位不一样。写死 x 区间的版本换一张表就错位，**默认用列位自适应**（纯按 Y 聚类， 不假设任何列的 x）。 **URL 列是例外，必须从 `href` / `title` 属性读，不能从文本读。** 长 URL 在单元格里会换行成两行 并加省略号：文本本身是截断的，而且换行让这个单元格跨两个 Y 分桶，坐标法会把整行拆散、 再被 `minCells` 过滤掉——**这一类行会静默整批消失**。实测某报表 100 行里 78 行是长 URL， 坐标法只回收到 18 行，没有任何报错，肉眼看输出也很正常。属性里存的是完整 URL，一次全拿到 （用 `grabLinks()`）。判据：如果某报表的"页面/网址"列在结果里明显偏少，先怀疑这一条。 ### 2. 数据出不了页面沙箱 页面里的 JS 能看到数据但**没有文件系统**；你的 shell 能写盘但**没有登录态**。中间只有三条通道： | 通道 | 实测 | |---|---| | 代码执行工具的返回值 | 约 1KB 就截断，几十 KB 的表要分十几次取，慢且易错 | | 剪贴板 `navigator.clipboard.writeText` | 常报 `NotAllowedError: Document is not focused`，还会把执行通道卡到超时 | | **Blo...