คำตอบด่วน
ฉันจะใช้พร็อกซีที่มีการยืนยันตัวตนใน Playwright ได้อย่างไร?
ส่งวัตถุ proxy ที่มี server, username และ password ไปที่ launch() หรือ new_context(): server คือ http://gw.crawlrelay.com:7777 และข้อมูลยืนยันตัวตนใส่ในช่องของมัน ไม่ใช่ใน URL เซิร์ฟเวอร์ สำหรับพร็อกซีเรซิเดนเชียล CrawlRelay ใส่ประเทศและรหัสเซสชันในชื่อผู้ใช้เพื่อให้แต่ละ context มีทางออกของตัวเอง ค่าปริมาณข้อมูลเริ่มต้นที่ US$0.50/GB จาก 50 GB จ่ายด้วยคริปโต ไม่ต้อง KYC
การตั้งค่า Playwright อย่างรวดเร็ว
| ตัวเลือกพร็อกซี | {"server": "http://gw.crawlrelay.com:7777", "username": ..., "password": ...} |
|---|---|
| ที่ไหน | launch(proxy=...) สำหรับเบราว์เซอร์ทั้งตัว หรือ new_context(proxy=...) ต่อ context |
| พอร์ต | พอร์ต HTTP 7777; เว็บไซต์ HTTPS ผ่าน CONNECT |
| SOCKS5 | Chromium ไม่รองรับการยืนยัน SOCKS5: ใช้พอร์ต HTTP |
| ไอพีหนึ่งอันต่อ context | -session-<id>-ttl-<minutes> ในชื่อผู้ใช้ของ context |
| ต้นทุนหน้าโดยทั่วไป | ประมาณ 2 MB กับทรัพยากรทั้งหมด; น้อยกว่านั้นถ้าบล็อกภาพ ตัวอักษร และสื่อ |
ฉันจะให้แต่ละ context ในเบราว์เซอร์มีประเทศหรือเซสชันของตัวเองได้อย่างไร?
สร้าง context หนึ่งอันต่อประเทศหรือเซสชันติดตั้ง Context มีราคาถูกกว่าเบราว์เซอร์และแต่ละอันเก็บคุกกี้, ที่เก็บข้อมูล และข้อมูลพร็อกซีของตัวเอง จับคู่โลเคลของ context กับประเทศทางออก เพื่อให้เว็บไซต์เห็นผู้เข้าชมที่สม่ำเสมอ
from playwright.sync_api import sync_playwright
GATEWAY = "http://gw.crawlrelay.com:7777"
LOCALES = {"us": "en-US", "de": "de-DE", "jp": "ja-JP"}
with sync_playwright() as p:
browser = p.chromium.launch()
for country, locale in LOCALES.items():
context = browser.new_context(
proxy={"server": GATEWAY, "username": "USERNAME-country-%s" % country, "password": "PASSWORD"},
locale=locale,
)
page = context.new_page()
page.goto("https://api.ipify.org", wait_until="domcontentloaded")
print(country, page.inner_text("body"))
context.close()
browser.close()ฉันจะตั้งพร็อกซีใน Playwright สำหรับ Node.js และลดปริมาณข้อมูลได้อย่างไร?
ตัวเลือกมีรูปแบบเดียวกันใน Node.js หนักที่สุดในหน้าที่เรนเดอร์คือภาพ ตัวอักษร และสื่อ: ขนาดกลางของหน้าเท่ากับ 2,164 KB บนมือถือใน HTTP Archive Web Almanac 2025 ถ้าต้องการแค่ข้อความและลิงก์ ให้ยกเลิกคำขอเหล่านั้นในตัวจัดการเส้นทาง
import { chromium } from "playwright";
const browser = await chromium.launch({
proxy: {
server: "http://gw.crawlrelay.com:7777",
username: "USERNAME-country-us-session-pw1-ttl-30",
password: "PASSWORD",
},
});
const context = await browser.newContext();
// Images, fonts and media are most of a page's bytes
await context.route("**/*", (route) =>
["image", "font", "media"].includes(route.request().resourceType()) ? route.abort() : route.continue()
);
const page = await context.newPage();
const response = await page.goto("https://example.com/", { waitUntil: "domcontentloaded" });
console.log(response.status(), await page.title());
await browser.close();ฉันจะรันหลายหน้าแบบขนานด้วย asyncio ได้อย่างไร?
ใช้ async API กับกลุ่ม context ที่กำหนดไว้แต่ละ context เก็บเซสชันติดตั้งหนึ่งอันตลอดอายุการใช้งาน เพื่อให้เว็บไซต์เห็นผู้เข้าชมไม่กี่รายที่เสถียรแทนที่จะเป็นไอพีอย่างละคำขอ รีไซเคิล context พร้อมเซสชันใหม่หลังจากจำนวนหน้าที่กำหนดหรือหลังเกิดข้อผิดพลาด
import asyncio
import uuid
from playwright.async_api import async_playwright
GATEWAY = "http://gw.crawlrelay.com:7777"
WORKERS = 4
async def worker(browser, queue):
session = uuid.uuid4().hex[:10]
context = await browser.new_context(proxy={
"server": GATEWAY,
"username": "USERNAME-country-us-session-%s-ttl-30" % session,
"password": "PASSWORD",
})
page = await context.new_page()
while not queue.empty():
url = await queue.get()
try:
response = await page.goto(url, wait_until="domcontentloaded", timeout=45000)
print(session, url, response.status if response else None)
except Exception as exc: # timeouts and network errors: log and move on
print(session, url, type(exc).__name__)
finally:
queue.task_done()
await context.close()
async def main(urls):
queue = asyncio.Queue()
for url in urls:
queue.put_nowait(url)
async with async_playwright() as p:
browser = await p.chromium.launch()
await asyncio.gather(*(worker(browser, queue) for _ in range(WORKERS)))
await browser.close()
asyncio.run(main(["https://example.com/", "https://example.org/"]))ทำไมฉันจึงเจอ ERR_TUNNEL_CONNECTION_FAILED หรือ ERR_PROXY_CONNECTION_FAILED?
- net::ERR_TUNNEL_CONNECTION_FAILED หมายถึงพร็อกซีไม่ยอมรับคำขอ CONNECT ส่วนใหญ่เกิดจากข้อมูลยืนยันตัวตนใส่ใน
serverแทนที่จะเป็นusernameและpasswordทำให้ Chromium ไม่ส่งข้อมูลเลย ดู ข้อผิดพลาด tunnel. - net::ERR_PROXY_CONNECTION_FAILED คือเบราว์เซอร์ไม่สามารถเชื่อมต่อเกตเวย์ได้: ข้อผิดพลาดพิมพ์ชื่อโฮสต์หรือพอร์ต หรือเครือข่ายบล็อกพอร์ต ดู ข้อผิดพลาดการเชื่อมต่อพร็อกซี.
- หมดเวลา 30000ms ที่
gotoมักหมายถึงรอloadหรือnetworkidleในหน้าที่โหลดตัวติดตามต่อเนื่อง รอdomcontentloadedแล้วเลือกตัวเลือกที่ต้องการ
สิ่งที่นักเก็บข้อมูล (scraper) ด้วย Playwright ไม่ควรทำคืออะไร?
ใช้ Playwright รีดเดอร์หน้าเว็บสาธารณะที่ต้องใช้ JavaScript ไม่ใช่ปลอมตัวเป็นคน CrawlRelay's นโยบายการใช้งานที่ยอมรับได้ ห้ามใช้เบราว์เซอร์ผ่านเกตเวย์ของเราเพื่อสร้างบัญชีจำนวนมาก ยึดบัญชี แก้ CAPTCHA โดยอัตโนมัติ หรือละเมิดการป้องกันของเว็บไซต์ เราไม่สนับสนุนปลั๊กอินแอบทำงานหรือการปลอมลายนิ้วมือ หากเว็บไซต์ตรวจสอบเบราว์เซอร์ให้ชะลอความเร็ว ตรวจเช็ก robots.txt และข้อกำหนด แล้วขออนุญาตหรือใช้ API ของเว็บไซต์
Playwright และพร็อกซี: คำถาม
ฉันใช้พร็อกซีแตกต่างกันในแต่ละ context ของ Playwright ได้ไหม?
ได้ ส่ง proxy ไป browser.new_context() ใน Python หรือ browser.newContext() ใน Node.js แต่ละ context จะมีทางออก คุกกี้ และที่เก็บข้อมูลของตัวเอง รุ่นเก่าของ Playwright บน Windows ก็ต้องการพร็อกซีตอนเปิดใช้งาน หากเจอข้อผิดพลาด ให้เปิดด้วยพร็อกซีตัวแทนแล้วตั้งจริงตาม context
Playwright รองรับพร็อกซี SOCKS5 ที่มีการยืนยันตัวตนได้ไหม?
ไม่รองรับบน Chromium ซึ่งไม่รองรับการยืนยันชื่อผู้ใช้และรหัสผ่านของ SOCKS5 ให้ใช้พอร์ต HTTP ของเกตเวย์ (7777): รองรับเว็บไซต์ HTTPS ผ่านอุโมงค์ CONNECT และรองรับชื่อผู้ใช้และรหัสผ่านในทุกเอนจินเบราว์เซอร์ที่ Playwright ควบคุม
ฉันจะตรวจสอบว่าไอพีและประเทศที่หน้า Playwright ใช้คืออะไร?
เปิด https://api.ipify.org ใน context เดียวกันก่อนหน้าเป้าหมายแล้วอ่านข้อความใน body ตามตัวอย่างแรก จดจำว่าเซสชันติดตั้งจะเก็บไอพีไว้เฉพาะเมื่ออุปกรณ์เรซิเดนเชียลออนไลน์เท่านั้น บันทึกไอพีตอนเริ่มแต่ละ context เพื่อดูการเปลี่ยนแปลง
หน้า Playwright ใช้ปริมาณข้อมูลเท่าไหร่ผ่านพร็อกซี?
ข้อมูลทั้งหมดมีค่าใช้จ่าย: HTML, สคริปต์, สไตล์, รูปภาพ, แบบอักษร และการเรียก API หน้าเต็มขนาดประมาณ 2 MB ส่วนการบล็อกภาพ แบบอักษร และสื่อจะลดลงเหลือแค่หลายร้อยกิโลไบต์ วัดขนาดหน้าจริงโดยสรุปขนาดการตอบสนองในตัวจัดการ response สำหรับ 50 หน้า
ควรใช้เบราว์เซอร์แบบ headless หรือ headed สำหรับเก็บข้อมูล?
Headless เป็นตัวเลือกปกติสำหรับเซิร์ฟเวอร์และใช้ทรัพยากรน้อยกว่า ใช้ headed เฉพาะตอนดีบักสิ่งที่หน้าเว็บแสดง ไม่มีผลกับกฎ: รีดเดอร์หน้าเว็บสาธารณะด้วยความเร็วเหมาะสมและเคารพไฟล์ robots.txt กับข้อกำหนดของเว็บไซต์
เรนเดอร์หน้าเว็บสาธารณะผ่าน IP เรซิเดนเชียล
US$5.94 สำหรับ 10 GB, US$0.50/GB จาก 50 GB.