Playwright Scraper

Playwright 网页爬取技能

功能概述

使用Playwright进行真实浏览器操作，爬取复杂动态网页。

核心能力

• ✅ 真实浏览器操作 - 点击、滚动、输入、等待
• ✅ 处理复杂SPA - 单页应用、多Tab、懒加载
• ✅ AI自动生成脚本 - 无需提前准备，实时分析页面结构
• ✅ 持久化Chrome Profile - 复用登录状态
• ✅ 数据结构化输出 - 自动整理成Markdown/JSON

对比优势

适用场景

• ✅ 公开信息型网站 - 会议日程、展会信息
• ✅ 多Tab懒加载页面 - 需点击切换的内容
• ✅ SPA单页应用 - JavaScript异步加载

不适用场景

• ⚠️ 反爬机制强的网站 - 需要复杂验证
• ⚠️ 需多轮调试的场景 - 效率不高
• ⚠️ 生产环境 - 需要高度稳定性

使用方式

1. 基本爬取（单页面）

官家，请帮我爬取这个页面：https://example.com
等JS渲染完成后提取所有内容
保存成Markdown

2. 多Tab爬取

官家，请爬取MWC巴展议程：
- 页面有5个日期Tab（PRE、MON、TUE、WED、THU）
- 需要点击每个Tab获取数据
- 按日期分别保存

3. 懒加载内容

官家，请爬取这个页面：
- 需要滚动到底部才能加载完整内容
- 等待所有内容加载完成
- 提取所有session数据

技术实现

Playwright核心API

1. 启动浏览器

const { chromium } = require('playwright');

const browser = await chromium.launch({
  headless: false, // 或true
  channel: 'chrome'
});

const context = await browser.newContext({
  viewport: { width: 1920, height: 1080 }
});

const page = await context.newPage();

2. 导航和等待

await page.goto(url, { waitUntil: 'networkidle' });
await page.waitForLoadState('domcontentloaded');
await page.waitForSelector('selector');

3. DOM操作

// 点击
await page.click('button');
await page.click('text=Monday');

// 滚动
await page.evaluate(() => {
  window.scrollTo(0, document.body.scrollHeight);
});

// 等待
await page.waitForTimeout(2000);

4. 数据提取

const data = await page.evaluate(() => {
  const items = Array.from(document.querySelectorAll('.item'));
  return items.map(item => ({
    title: item.querySelector('.title').textContent,
    time: item.querySelector('.time').textContent,
    location: item.querySelector('.location').textContent
  }));
});

5. 持久化Profile

const context = await chromium.launchPersistentContext(
  './user-data',
  { headless: false, channel: 'chrome' }
);

实战案例

案例1：MWC巴展议程爬取

需求：

• 5个日期Tab（PRE、MON、TUE、WED、THU）
• 每个Tab有懒加载
• 数据通过JS异步请求

实现步骤：

// 1. 导航到页面
await page.goto('https://mwcbarcelona.com/agenda');

// 2. 等待页面加载
await page.waitForLoadState('networkidle');

// 3. 循环处理每个Tab
const tabs = ['PRE', 'MON', 'TUE', 'WED', 'THU'];
for (const tab of tabs) {
  // 点击Tab
  await page.click(`text=${tab}`);
  
  // 等待内容加载
  await page.waitForTimeout(2000);
  
  // 滚动到底部（触发懒加载）
  await page.evaluate(() => {
    window.scrollTo(0, document.body.scrollHeight);
  });
  
  // 等待懒加载完成
  await page.waitForTimeout(3000);
  
  // 提取数据
  const sessions = await page.evaluate(() => {
    const items = Array.from(document.querySelectorAll('.session'));
    return items.map(item => ({
      title: item.querySelector('.title').textContent,
      time: item.querySelector('.time').textContent,
      location: item.querySelector('.location').textContent,
      speakers: item.querySelector('.speakers').textContent
    }));
  });
  
  // 保存到文件
  const markdown = sessions.map(s => 
    `## ${s.title}\n- 时间: ${s.time}\n- 地点: ${s.location}\n- 演讲者: ${s.speakers}\n`
  ).join('\n');
  
  fs.writeFileSync(`mwc-${tab}.md`, markdown);
}

关键点：

• ✅ 等待网络空闲（networkidle）
• ✅ 点击后等待内容加载
• ✅ 滚动触发懒加载
• ✅ 等待懒加载完成
• ✅ 数据结构化提取

最佳实践

1. 等待策略

// ❌ 不推荐：固定等待
await page.waitForTimeout(5000);

// ✅ 推荐：智能等待
await page.waitForLoadState('networkidle');
await page.waitForSelector('.item', { state: 'visible' });
await page.waitForFunction(() => {
  return document.querySelectorAll('.item').length > 10;
});

2. 错误处理

try {
  await page.click('button');
  await page.waitForSelector('.result', { timeout: 10000 });
} catch (error) {
  console.error('操作失败:', error.message);
  // 截图调试
  await page.screenshot({ path: 'error.png' });
}

3. 性能优化

// 阻止不必要的资源加载
await page.route('**/*.{png,jpg,jpeg,gif,svg}', route => route.abort());
await page.route('**/*.css', route => route.abort());

4. 反爬应对

// 设置用户代理
await page.setExtraHTTPHeaders({
  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)...'
});

// 禁用webdriver标识
await page.evaluateOnNewDocument(() => {
  Object.defineProperty(navigator, 'webdriver', {
    get: () => false,
  });
});

调试技巧

1. 截图

await page.screenshot({ path: 'debug.png', fullPage: true });

2. 打印HTML

const html = await page.content();
console.log(html);

3. 打印特定元素

const element = await page.$('.item');
const html = await element.innerHTML();
console.log(html);

4. 控制台日志

page.on('console', msg => {
  console.log('PAGE LOG:', msg.text());
});

注意事项

安全提示

• ⚠️ 仅爬取公开信息
• ⚠️ 遵守robots.txt
• ⚠️ 不要过度请求，避免给服务器造成压力
• ⚠️ 敏感数据不要保存

法律风险

• ⚠️ 确保爬取行为合法
• ⚠️ 不要爬取版权内容
• ⚠️ 不要绕过付费墙
• ⚠️ 不要爬取个人隐私数据

技术限制

• ⚠️ 反爬机制强的网站可能失败
• ⚠️ 需要复杂验证的平台不适用
• ⚠️ 页面结构变化需重新调试

安装依赖

npm install playwright
npx playwright install chromium

参考资料

• Playwright官方文档
• OpenClaw + Playwright文章
• MWC议程爬取案例

创建时间: 2026-02-27 版本: 1.0.0 维护者: 米粒儿（AI Agent）