Smart web scraper

<!-- 本地化自: playwright-scraper-skill -->

Playwright 网页爬取工具

基于 Playwright 的网页爬取 OpenClaw Skill，内置反爬虫保护机制。可根据目标网站的反爬级别选择最佳方案。

---

🎯 使用场景矩阵

目标网站	反爬级别	推荐方案	脚本
普通网站	低	web_fetch 工具	无需脚本（内置）
动态网站	中	Playwright 简单模式	scripts/playwright-simple.js
Cloudflare 防护网站	高	Playwright 隐身模式 ⭐	scripts/playwright-stealth.js
YouTube	特殊	deep-scraper	需单独安装
Reddit	特殊	reddit-scraper	需单独安装

---

📦 安装

cd playwright-scraper-skill
npm install
npx playwright install chromium

---

🚀 快速开始

1️⃣ 简单网站（无反爬保护）

使用 OpenClaw 内置的 web_fetch 工具：

# Invoke directly in OpenClaw
Hey, fetch me the content from https://example.com

---

2️⃣ 动态网站（需要 JavaScript 渲染）

使用 Playwright 简单模式：

node scripts/playwright-simple.js "https://example.com"

示例输出：

{
  "url": "https://example.com",
  "title": "Example Domain",
  "content": "...",
  "elapsedSeconds": "3.45"
}

---

3️⃣ 有反爬保护的网站（Cloudflare 等）

使用 Playwright 隐身模式：

node scripts/playwright-stealth.js "https://m.discuss.com.hk/#hot"

功能特性：

• 隐藏自动化标记（navigator.webdriver = false）
• 使用真实 User-Agent（iPhone、Android）
• 随机延迟模拟真人行为
• 支持截图和 HTML 保存

---

4️⃣ YouTube 视频字幕

使用 deep-scraper（需单独安装）：

# Install deep-scraper skill
npx clawhub install deep-scraper

# Use it
cd skills/deep-scraper
node assets/youtube_handler.js "https://www.youtube.com/watch?v=VIDEO_ID"

---

📖 脚本说明

scripts/playwright-simple.js

• 适用场景： 普通动态网站
• 速度： 快（3-5 秒）
• 反爬能力： 无
• 输出格式： JSON（标题、内容、URL）

scripts/playwright-stealth.js ⭐

• 适用场景： 带有 Cloudflare 或反爬保护的网站
• 速度： 中等（5-20 秒）
• 反爬能力： 中高（隐藏自动化特征、真实 UA）
• 输出格式： JSON + 截图 + HTML 文件
• 验证结果： 在 Discuss.com.hk 上 100% 成功

---

🎓 最佳实践

1. 优先使用 web_fetch

如果网站没有动态加载，使用 OpenClaw 内置的 web_fetch 工具——速度最快。

2. 需要 JavaScript 渲染？使用简单模式

如果需要等待 JavaScript 渲染完成，使用 playwright-simple.js。

3. 被拦截了？使用隐身模式

如果遇到 403 错误或 Cloudflare 验证，使用 playwright-stealth.js。

4. 特殊网站使用专用工具

• YouTube → deep-scraper
• Reddit → reddit-scraper
• Twitter → bird skill

---

🔧 自定义配置

所有脚本支持通过环境变量配置：

# Set screenshot path
SCREENSHOT_PATH=/path/to/screenshot.png node scripts/playwright-stealth.js URL

# Set wait time (milliseconds)
WAIT_TIME=10000 node scripts/playwright-simple.js URL

# Enable headful mode (show browser)
HEADLESS=false node scripts/playwright-stealth.js URL

# Save HTML
SAVE_HTML=true node scripts/playwright-stealth.js URL

# Custom User-Agent
USER_AGENT="Mozilla/5.0 ..." node scripts/playwright-stealth.js URL

---

📊 性能对比

方案	速度	反爬能力	成功率（Discuss.com.hk）
web_fetch	⚡ 最快	❌ 无	0%
Playwright 简单模式	🚀 快	⚠️ 低	20%
Playwright 隐身模式	⏱️ 中等	✅ 中等	100% ✅
Puppeteer 隐身模式	⏱️ 中等	✅ 中高	~80%
Crawlee (deep-scraper)	🐢 慢	❌ 被检测	0%
Chaser (Rust)	⏱️ 中等	❌ 被检测	0%

---

🛡️ 反爬技术总结

从测试中总结的经验：

✅ 有效的反爬措施

1. 隐藏 navigator.webdriver — 必不可少
2. 使用真实 User-Agent — 使用真实设备标识（iPhone、Android）
3. 模拟真人行为 — 随机延迟、滚动页面
4. 避免框架特征 — Crawlee、Selenium 容易被检测
5. 使用 addInitScript（Playwright） — 在页面加载前注入脚本

❌ 无效的反爬措施

1. 仅修改 User-Agent — 远远不够
2. 使用高级框架（Crawlee） — 更容易被检测
3. Docker 隔离 — 对 Cloudflare 无效

---

🔍 故障排除

问题：403 Forbidden

解决方案： 使用 playwright-stealth.js

问题：Cloudflare 验证页面

解决方案：

1. 增加等待时间（10-15 秒）
2. 尝试 headless: false（有头模式有时成功率更高）
3. 考虑使用代理 IP

问题：空白页面

解决方案：

1. 增加 waitForTimeout 时间
2. 使用 waitUntil: 'networkidle' 或 'domcontentloaded'
3. 检查是否需要登录

---

📝 经验记录

2026-02-07 Discuss.com.hk 测试结论

• ✅ 纯 Playwright + 隐身模式成功（5秒，200 OK）
• ❌ Crawlee (deep-scraper) 失败（403）
• ❌ Chaser (Rust) 失败（Cloudflare）
• ❌ Puppeteer 标准模式失败（403）

最佳方案： 纯 Playwright + 反爬技术（不依赖特定框架）

---

🚧 未来改进计划

• 添加代理 IP 轮换
• 实现 Cookie 管理（维持登录状态）
• 添加验证码处理（2captcha / Anti-Captcha）
• 批量爬取（并行处理多个 URL）
• 与 OpenClaw 的 browser 工具集成

---

📚 参考资料

• Playwright 官方文档
• puppeteer-extra-plugin-stealth
• deep-scraper skill