Proč scraping YouTube vrací prázdný HTML? Aneb jak funguje moderní web

Zkoušeli jste někdy stáhnout data z YouTube a místo videonázvu jste dostali... nic? Jen prázdný HTML kód? Nejste sami. Tento problém odhaluje, jak zásadně se změnila architektura dnešních webových aplikací.

Když JavaScript změnil všechno

Dřív to bylo jednoduché. Server vám poslal stránku a v ní bylo úplně všechno – nadpisy, texty, obrázky. Stačil curl a měli jste čitelný obsah.

Dneska to tak nefunguje. YouTube, Gmail, Twitter – tyhle platformy staví své rozhraní dynamicky ve vašem prohlížeči pomocí JavaScript frameworků jako React, Vue nebo Polymer. Server vám pošle prázdnou schránku a instrukce, co má JavaScript dodělat.

Tohle řešení přináší skvělé výhody – rychlejší načítání, bohatší interakce, lepší uživatelský zážitek. Problém je, že programově se k obsahu dostanete podstatně hůř.

Proč klasický scraping selhává

Když použijete curl na YouTube video, dostanete přesně to, co název napovídá – holý HTTP požadavek a surový HTML. Ten ale obsahuje jen kostru. Název videa? Ten se vykreslí JavaScriptem až po načtení stránky. Počet zhlédnutí? Stejná situace.

V HTML, které obdržíte, najdete:

• JavaScript konfigurační soubory
• CSS styly
• Prázdné elementy čekající na obsah
• Směrovací logiku pro client-side

Skutečný obsah se skrývá v JavaScript objektech a API voláních, která běží až v prohlížeči – tedy poté, co jste stránku už "dostali".

Řešení pro moderní web

Jak tedy vývojáři z těchto platforem data získávají?

Browser Automation: Nástroje jako Puppeteer a Playwright spustí skutečný prohlížeč, ten vykoná JavaScript, počká na vykreslení obsahu a pak extrahuje hotový DOM. Efektivní, ale náročné na prostředky.

API přístup: YouTube nabízí oficiální API přímo pro tento účel. Místo boje s webovým rozhraním použijete strukturovaný datový endpoint. Když je dostupný, je to nejčistší cesta.

Reverse engineering: U platforem bez API můžete prozkoumat síťové požadavky, najít skutečné datové endpointy a pak je replikovat přímo.

Souvislost s hostingem

Tady se to pojí s vaší hostingovou strategií. Volba mezi client-side renderingem (CSR) a server-side renderingem (SSR) ovlivňuje SEO, výkon i přístupnost rozdílným způsobem. Statické weby nebo SSR aplikace jsou automaticky "scrapable" a SEO-friendly, zatímco CSR aplikace vyžadují další optimalizaci pro vyhledávače.

U NázevDOMény.cz jsme viděli, jak startupy volí Vibe Hosting pro obě paradigmata – naše AI-asistované nasazení umí optimalizovat cache hlavičky a pre-rendering strategie bez ohledu na zvolený přístup.

Závěrem

Moderní webový vývoj není jen o psaní kódu – jde o pochopení, jak jednotlivé vrstvy technologií spolupracují. Až příště narazíte na "prázdný" HTML, vzpomeňte: obsah tam je. Jen potřebuje JavaScript engine, aby ho probudil.

Tyto architektonické rozdíly vám pomohou vybrat správné nástroje, správné hostingové řešení a správný přístup pro váš další projekt.