Playwright 多语言一体化——Python/Java/.NET 全栈采集实战

本文涉及的产品
实时数仓Hologres,5000CU*H 100GB 3个月
智能开放搜索 OpenSearch行业算法版,1GB 20LCU 1个月
实时计算 Flink 版,1000CU*H 3个月
简介: 本文以反面教材形式,剖析了在使用 Playwright 爬取懂车帝车友圈问答数据时常见的配置错误(如未设置代理、Cookie 和 User-Agent),并提供了 Python、Java 和 .NET 三种语言的修复代码示例。通过错误示例 → 问题剖析 → 修复过程 → 总结教训的完整流程,帮助读者掌握如何正确配置爬虫代理及其它必要参数,避免 IP 封禁和反爬检测,实现高效数据采集与分析。

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_playwright

def 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‑Agent
        page.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 proxy
            Page page = browser.newPage();             // ❌ 未设置 headers
            page.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 proxy
        var page = await browser.NewPageAsync();                 // ❌ 忽略 UA 和 Cookie
        await 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_playwright

def 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.cn
        context = 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 UA
            extra_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.cn
      BrowserContext 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.cn
    var 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
|
26天前
|
存储 前端开发 Java
【JAVA】Java 项目实战之 Java Web 在线商城项目开发实战指南
本文介绍基于Java Web的在线商城技术方案与实现,涵盖三层架构设计、MySQL数据库建模及核心功能开发。通过Spring MVC + MyBatis + Thymeleaf实现商品展示、购物车等模块,提供完整代码示例,助力掌握Java Web项目实战技能。(238字)
172 0
|
2月前
|
Java 关系型数据库 数据库
Java 项目实战教程从基础到进阶实战案例分析详解
本文介绍了多个Java项目实战案例,涵盖企业级管理系统、电商平台、在线书店及新手小项目,结合Spring Boot、Spring Cloud、MyBatis等主流技术,通过实际应用场景帮助开发者掌握Java项目开发的核心技能,适合从基础到进阶的学习与实践。
267 3
|
2月前
|
缓存 前端开发 Java
基于最新 Java 技术栈的在线任务管理系统开发实战详解
本项目基于最新Java技术栈开发在线任务管理系统,涵盖任务创建、分配、跟踪、统计等功能。采用Spring Boot 3.2.x、React 18、PostgreSQL 16等主流技术,详解项目架构设计、核心功能实现及部署流程,助力掌握现代Java全栈开发技能。
150 6
|
2月前
|
Java API Maven
2025 Java 零基础到实战最新技术实操全攻略与学习指南
本教程涵盖Java从零基础到实战的全流程,基于2025年最新技术栈,包括JDK 21、IntelliJ IDEA 2025.1、Spring Boot 3.x、Maven 4及Docker容器化部署,帮助开发者快速掌握现代Java开发技能。
509 1
|
23天前
|
Java 开发者
Java并发编程:CountDownLatch实战解析
Java并发编程:CountDownLatch实战解析
338 100
|
2月前
|
数据采集 JSON Java
Java爬虫获取1688店铺所有商品接口数据实战指南
本文介绍如何使用Java爬虫技术高效获取1688店铺商品信息,涵盖环境搭建、API调用、签名生成及数据抓取全流程,并附完整代码示例,助力市场分析与选品决策。
|
2月前
|
消息中间件 Java 数据库
Java 基于 DDD 分层架构实战从基础到精通最新实操全流程指南
本文详解基于Java的领域驱动设计(DDD)分层架构实战,结合Spring Boot 3.x、Spring Data JPA 3.x等最新技术栈,通过电商订单系统案例展示如何构建清晰、可维护的微服务架构。内容涵盖项目结构设计、各层实现细节及关键技术点,助力开发者掌握DDD在复杂业务系统中的应用。
374 0
|
6天前
|
JSON API 数据安全/隐私保护
Python采集淘宝拍立淘按图搜索API接口及JSON数据返回全流程指南
通过以上流程,可实现淘宝拍立淘按图搜索的完整调用链路,并获取结构化的JSON商品数据,支撑电商比价、智能推荐等业务场景。
|
19天前
|
人工智能 Java API
Java与大模型集成实战:构建智能Java应用的新范式
随着大型语言模型(LLM)的API化,将其强大的自然语言处理能力集成到现有Java应用中已成为提升应用智能水平的关键路径。本文旨在为Java开发者提供一份实用的集成指南。我们将深入探讨如何使用Spring Boot 3框架,通过HTTP客户端与OpenAI GPT(或兼容API)进行高效、安全的交互。内容涵盖项目依赖配置、异步非阻塞的API调用、请求与响应的结构化处理、异常管理以及一些面向生产环境的最佳实践,并附带完整的代码示例,助您快速将AI能力融入Java生态。
206 12
|
25天前
|
JSON API 数据安全/隐私保护
Python采集淘宝评论API接口及JSON数据返回全流程指南
Python采集淘宝评论API接口及JSON数据返回全流程指南

推荐镜像

更多