当前位置: 首页 > news >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。

相关文章:

  • 【Python 算法零基础 4.排序 ② 冒泡排序】
  • 5个yyds的.Net商城开源项目
  • 交易所开发:构建功能完备的金融基础设施全流程指南
  • .NET外挂系列:2. 了解强大的 harmony 注解特性
  • Adminer:一个基于Web的轻量级数据库管理工具
  • 游戏引擎学习第295天:堆叠房间用于Z层调试
  • 芯驰科技与安波福联合举办技术研讨会,深化智能汽车领域合作交流
  • 洛谷U536262 井底之“鸡”
  • 【Unity网络编程知识】Unity的 UnityWebRequest相关类学习
  • ThreadLocal作一个缓存工具类
  • 超小多模态视觉语言模型MiniMind-V 训练
  • OV7670连接STM32F407VET
  • Java迭代器知识点详解
  • 从编程助手到AI工程师:Trae插件Builder模式实战Excel合并工具开发
  • 在CentOS系统上部署GitLabRunner并配置CICD自动项目集成!
  • 《算法导论(第4版)》阅读笔记:p86-p90
  • Windows逆向工程提升之二进制分析工具:HEX查看与对比技术
  • 自制操作系统day4(c指针)(指针和数组)(CLI和STI)(EFLAGS)
  • 力扣刷题Day 50:接雨水(42)
  • 你的it管理员已经限制对此应用一些区域的访问
  • 《歌手2025》能否“爆”下去?
  • A股午后回暖,三大股指涨跌互现:港口板块重新走强,两市成交近1.1万亿元
  • 王毅同丹麦外交大臣拉斯穆森会谈
  • 中国古代文学研究专家、南开大学教授李剑国逝世
  • 经济日报:政府采购监管篱笆要扎得更牢
  • 浙江推动人工智能终端消费:家居机器人纳入以旧换新补贴范围