lightpanda-scrape - SKILL.md Agent Skill

name: lightpanda-scrape description: Headless browser (Lightpanda) untuk scraping data dari site yang diproteksi Cloudflare / butuh JS exec — alternatif Chrome/Chromium yang 9x lebih cepat & 16x lebih ringan. Cocok untuk fetch economic calendar, market data web, data ekstraksi tanpa render UI. version: 1.0.0 metadata: hermes: tags: [scraping, browser, automation, cloudflare, web-data] category: data-fetch requires_toolsets: [terminal] config: - key: lightpanda-scrape.binary_path description: "Absolute path ke binary lightpanda" default: "$HOME/.local/bin/lightpanda" prompt: "Path binary" - key: lightpanda-scrape.cdp_port description: "Port default untuk CDP serve mode" default: "9223" prompt: "CDP port"

Lightpanda Scrape — headless browser untuk data fetch

Gunakan saat:

Site target proteksi Cloudflare Turnstile dan agent-browser/Chromium default kena block.
Butuh eksekusi JS (SPA, XHR-loaded data) — curl doang ga cukup.
Butuh footprint kecil di server (Lightpanda ~16x lebih hemat memory dari Chromium, start instant).

Jangan gunakan kalau:

Endpoint udah JSON/REST plain — pakai curl / urllib langsung.
Butuh render visual (screenshot, PDF, video) — pakai full Chromium.
Site pasang Google reCAPTCHA v3 atau anti-bot fingerprint berat — Lightpanda ga akan lolos itu.

Install (sekali per server)

curl -fsSL https://pkg.lightpanda.io/install.sh | bash

Binary terpasang di $HOME/.local/bin/lightpanda. Pastikan $HOME/.local/bin masuk PATH. Verify:

$HOME/.local/bin/lightpanda --help | head -3
# usage: lightpanda command [options] [URL]

Lengkap: lihat references/install-on-server.md (Ubuntu, Debian, macOS, systemd unit, troubleshooting binary release).

3 mode pemakaian

Mode	Untuk apa	Komentar
`fetch` (CLI)	One-shot dump halaman publik (HTML / markdown / semantic tree)	Paling simple, no daemon
`serve` (CDP)	Multi-step navigation, eksekusi XHR dari page context, bypass CF challenge	Perlu node + `playwright-core` atau `puppeteer-core`
`mcp`	Workflow agentic via MCP tools (`goto`, `click`, `fill`, `evaluate`)	Setup MCP server di config Claude Code

Mode 1 — CLI fetch (paling cepat)

lightpanda fetch \
  --dump markdown \
  --wait-until networkidle \
  --wait-ms 10000 \
  https://example.com/page

--dump opsi: html | markdown | semantic_tree | semantic_tree_text. Tambah --strip-mode js,css,ui untuk buang noise. Output ke stdout.

Mode 2 — CDP serve + script (untuk Cloudflare bypass)

# 1. Start CDP server (background)
lightpanda serve --host 127.0.0.1 --port 9223 > /tmp/lp.log 2>&1 &

# 2. Connect dari Node script via playwright-core
node fetch-via-cdp.js

Trick penting untuk bypass Cloudflare Turnstile: jangan navigate ke halaman Turnstile-protected, cukup goto('about:blank') lalu page.evaluate() panggil endpoint XHR target. Cloudflare cuma cek fingerprint saat halaman utama di-load — endpoint API biasanya cuma rate-limit, tidak Turnstile-protected.

Lengkap: lihat references/cloudflare-bypass.md (resep + script siap-pakai).

Mode 3 — MCP server

claude mcp add lightpanda -- $HOME/.local/bin/lightpanda mcp

Lalu agent bisa pakai tool goto, markdown, evaluate, click, fill, waitForSelector langsung. Cocok untuk eksplorasi interaktif. Bukan pilihan untuk cron production (tergantung daemon MCP).

Procedure standar untuk scraping site CF-protected

Tes endpoint langsung dulu dengan curl + UA browser. Banyak site cuma proteksi halaman utama, bukan endpoint XHR. Kalau jalan → STOP, ga perlu Lightpanda.
Kalau curl 403/Cloudflare HTML challenge → baru pakai Lightpanda CDP mode dengan trick about:blank + page.evaluate(fetch).
Untuk data yang murni di HTML utama (no XHR) → lightpanda fetch --dump html cukup.
Jangan run cron-frequency tinggi — site target bisa naikin proteksi. Tetap polite: min 5-15 menit interval, throttle, cache.

Pitfalls

lightpanda fetch GET-only. Kalau API target POST, harus pakai serve mode + page.evaluate(fetch).
CDP: 1 connection per process. Untuk paralel, start beberapa instance di port beda. Lightpanda start instant, jadi murah.
State reset on disconnect. Tiap CDP connect harus newContext + newPage. Cookies & localStorage hilang saat ws close.
serve daemon ga auto-restart. Bungkus pakai systemd / supervisor untuk production (lihat references/install-on-server.md).

Verification

Setelah install:

lightpanda fetch --dump html https://example.com | grep -c "Example Domain"
# Output: 1 (kalau jalan)

Setelah CDP serve start:

curl -s http://127.0.0.1:9223/json/version | python3 -m json.tool | head
# Output: {"Browser": "Lightpanda/...", ...}

Resep yang sudah terbukti

references/fetch-investing-calendar.md — fetch economic calendar (CPI/FOMC/NFP) dari investing.com via Lightpanda CDP. Sudah dipakai untuk generate hyperliquid/events.json.
references/cloudflare-bypass.md — pola umum lolos CF Turnstile.
references/install-on-server.md — install di server (Linux/macOS), PATH setup, systemd, troubleshooting.