当前位置: 首页 > web >正文

Playwright 多语言一体化——Python_Java_.NET 全栈采集实战

爬虫代理

在现代 Web 自动化领域,Playwright 通过其多语言支持可在 Python、Java 及 .NET 三大生态中共享同一底层实现,简化了跨团队协作与维护成本 。然而,若忽略代理IP等必要配置,很容易导致功能异常或被目标网站限制,本文将以反面教材的形式,通过错误示例 → 问题剖析 → 修复过程 → 总结教训,完整演示如何使用爬虫代理(示例域名、端口、用户名、密码)并结合其它策略设置,从 https://www.dongchedi.com 上按汽车型号关键词搜索车友圈问答并进行数据存储与分析 。

错误代码案例

1. Python 版(错误示例)

from playwright.sync_api import sync_playwrightdef scrape(keyword):with sync_playwright() as p:browser = p.chromium.launch(headless=True)  # ❌ 未设置代理page = browser.new_page()  # ❌ 未设置 Cookie 和 User‑Agentpage.goto(f"https://www.dongchedi.com/all-posts?search={keyword}")  # ❌ 忽略 await 时序content = page.content()# … 后续解析逻辑browser.close()

2. Java 版(错误示例)

import com.microsoft.playwright.*;public class DongchediScraper {public static void main(String[] args) {try (Playwright pw = Playwright.create()) {Browser browser = pw.chromium().launch();  // ❌ 未配置 proxyPage page = browser.newPage();             // ❌ 未设置 headerspage.navigate("https://www.dongchedi.com/all-posts?search=" + args[0]);String html = page.content();// … 继续处理browser.close();}}
}

3. .NET 版(错误示例)

using Microsoft.Playwright;
using System.Threading.Tasks;class Program {public static async Task Main(string[] args) {using var playwright = await Playwright.CreateAsync();var browser = await playwright.Chromium.LaunchAsync();  // ❌ 忽略 proxyvar page = await browser.NewPageAsync();                 // ❌ 忽略 UA 和 Cookieawait page.GotoAsync($"https://www.dongchedi.com/all-posts?search={args[0]}");var html = await page.ContentAsync();// … 继续处理await browser.CloseAsync();}
}

造成问题

  1. 无代理:目标站点会检测到相同 IP 的频繁请求并封禁,导致请求失败或 429 错误(HTTP Too Many Requests)。
  2. 缺少 Cookie/UA:未模拟真实浏览器环境,常触发反爬检测,返回 CAPTCH A 或重定向登录页面 。
  3. 异步时序错误(Python):漏写 await/使用同步 API 导致页面未完全加载即抓取,数据不完整或抛出超时异常 。

修复过程

1. 核心思路

  • 利用 Playwright 的 context.new_context(Python/JavaScript)或对应参数(Java/.NET)配置代理、Cookie、User‑Agent。
  • 通过 extraHTTPHeadersaddCookies/setExtraHTTPHeaders 方法一次性注入 UA 和 Cookie,确保会话有效。

2. Python 修复代码

from playwright.sync_api import sync_playwrightdef scrape(keyword):with sync_playwright() as p:# 创建带代理与 headers 的浏览上下文# 参考亿牛云爬虫代理设置 www.16yun.cncontext = p.chromium.launch().new_context(proxy={"server": "proxy.16yun.cn:12345",  # 代理域名与端口"username": "16YUN",        # 代理用户名"password": "16IP"         # 代理密码},user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 "\"(KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36",  # 自定义 UAextra_http_headers={"Cookie": "sessionid=abcdef12345; locale=zh-CN"  # 示例 Cookie})page = context.new_page()  # 创建页面page.goto(f"https://www.dongchedi.com/all-posts?search={keyword}")  # 正确时序# 数据提取示例posts = page.query_selector_all(".post-card")for post in posts:title = post.query_selector("h3").inner_text()answer = post.query_selector(".answer").inner_text()print(title, answer)context.close()

3. Java 修复代码

import com.microsoft.playwright.*;public class DongchediScraper {public static void main(String[] args) {try (Playwright pw = Playwright.create()) {Browser browser = pw.chromium().launch();//参考亿牛云爬虫代理设置 www.16yun.cnBrowserContext context = browser.newContext(new Browser.NewContextOptions().setProxy(new Proxy("proxy.16yun.cn:12345", "16YUN", "16IP")).setUserAgent("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 "\"(KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36").setExtraHTTPHeaders(Map.of("Cookie", "sessionid=abcdef12345; locale=zh-CN")));Page page = context.newPage();page.navigate("https://www.dongchedi.com/all-posts?search=" + args[0]);List<ElementHandle> posts = page.querySelectorAll(".post-card");for (ElementHandle post : posts) {System.out.println(post.querySelector("h3").innerText() + " -> " +post.querySelector(".answer").innerText());}context.close();browser.close();}}
}

4. .NET 修复代码

using Microsoft.Playwright;
using System;
using System.Threading.Tasks;class Program {public static async Task Main(string[] args) {using var playwright = await Playwright.CreateAsync();var browser = await playwright.Chromium.LaunchAsync();//参考亿牛云爬虫代理设置 www.16yun.cnvar context = await browser.NewContextAsync(new BrowserNewContextOptions {Proxy = new Proxy { Server = "proxy.16yun.cn:12345", Username = "16YUN", Password = "16IP" },UserAgent = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 "\"(KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36",ExtraHTTPHeaders = new Dictionary<string, string> {["Cookie"] = "sessionid=abcdef12345; locale=zh-CN"}});var page = await context.NewPageAsync();await page.GotoAsync($"https://www.dongchedi.com/all-posts?search={args[0]}");var posts = await page.QuerySelectorAllAsync(".post-card");foreach (var post in posts) {var title = await post.QuerySelectorAsync("h3");var answer = await post.QuerySelectorAsync(".answer");Console.WriteLine(await title.InnerTextAsync() + " -> " + await answer.InnerTextAsync());}await context.CloseAsync();await browser.CloseAsync();}
}

总结教训

  • 始终配置代理:避免单机 IP 被限制,尤其是高频采集场景;推荐使用动态切换或域名访问模式以提高稳定性 。
  • 提前注入 Cookie/UA:真实化请求头,绕过简易反爬策略。
  • 遵循异步时序:Playwright 同步与异步 API 各有适用场景,务必正确使用 Await/Sync 模式,避免未加载完全就开始爬取。
  • 多语言示例统一化:同一底层 API 实现,减少团队维护成本,代码示例可互相参考。

通过上述反面教材式拆解,读者可以快速掌握 Playwright 在多语言环境下的配置要点,实战抓取懂车帝车友圈问答数据并完成存储与分析。

http://www.xdnf.cn/news/7431.html

相关文章:

  • oracle序列自增问题
  • 安装NASM
  • 2022年下半年信息系统项目管理师——综合知识真题及答案(4)
  • Tare使用MCP|Win11安装UV
  • 直流电阻和交流电阻区别详解
  • AI大语言模型评测体系演进与未来展望
  • C++:模板初阶
  • 小土堆pytorch--神经网路的基本骨架(nn.Module的使用)卷积操作
  • 交叉引用、多个参考文献插入、跨文献插入word/wps中之【插入[1,3,4]、跨文献插入】
  • interface接口和defer场景分析
  • C++--内存管理
  • 动态规划-LCR 089.打家劫舍-力扣(LeetCode)
  • 国产化替代对金融行业有哪些影响?如何应对?
  • 创业与产品设计中的“三个一”法则
  • 基于正点原子阿波罗F429开发板的LWIP应用(1)——网络ping通
  • 前端测试策略:单元测试到 E2E 测试
  • ASIC和FPGA,到底应该选择哪个?
  • C# NX二次开发-求体、面的最小包容圆柱
  • 使用 nvm 管理 Node.js 和 npm 版本
  • Scala:size 和 length 的区别
  • 深入浅出IIC协议 -- 第二篇:FPGA数字接口设计方法论
  • IEEE Communications Magazine 2025年1-3月论文速览
  • 理解PostgreSQL查询执行计划(三)--复杂操作篇
  • TB开拓者策略交易信号闪烁根因及解决方法
  • flatMap():map + flat 的组合,简化 JavaScript 数组处理逻辑
  • ARMv7的NVIC中断优先级
  • MYSQL8.0常用窗口函数
  • Qt Widgets模块功能详细说明,基本控件:QCheckBox(三)
  • winrar 工具测试 下载 与安装
  • 计算机网络 第三章:运输层(一)