Node.js 浏览器引擎 + Python 大脑：Playwright 混合架构爬虫系统深度解析

当 requests 拿不到数据、Selenium 跑不动并发时，这套架构救了我

一个让我失眠的夜晚
去年秋天接了一个电商价格监控的项目，甲方要求实时抓取日本雅虎拍卖的商品数据——当前出价、剩余时间、竞拍人数，延迟不能超过 5 秒。

一开始我想得挺简单：requests + BeautifulSoup，半小时写完，跑起来一看——页面一片空白。

原因不复杂：雅虎拍卖的商品页是典型的 SPA（单页应用），价格和倒计时全部通过 JavaScript 异步加载。requests 拿到的只是一个空壳 HTML，真正的数据根本不在里面。

换 Selenium？我试了。开了 20 个浏览器实例，机器 CPU 直接飙到 96%，内存暴涨，跑不到 20 分钟容器就 OOM 崩了。甲方还在催，我差点想跑路。

后来折腾出来的这套方案，就是今天想跟大家聊的——Node.js 做浏览器引擎，Python 做大脑的 Playwright 混合架构。

为什么要搞混合架构？
直接说结论：纯 Python Playwright 不是不能跑，但在高并发场景下，资源开销是个大问题。

Playwright 本身是多语言支持的——Python、Java、.NET、Node.js 都能用。但有一个细节很多人没注意到：Node.js 版本的 Playwright 不会像 Python 版本那样为每个浏览器窗口生成一个新进程，因此在管理多个标签页时，CPU 和内存开销要小得多。

什么意思呢？简单说——

Python Playwright：每个浏览器上下文会启动独立的子进程，开 20 个实例基本就把机器榨干了
Node.js Playwright：事件驱动模型，同一个进程里可以高效管理多个浏览器实例
所以我的思路很直接：用 Node.js 专门管浏览器（体力活），用 Python 做调度和数据处理（脑力活） 。两者通过 REST API 通信。

架构长什么样？
整体拆成三层：

┌─────────────────────────────────────────────────┐
│ Python 调度层 │
│ 任务队列 → 调用渲染接口 → 解析数据 → 落库 │
└────────────────────┬────────────────────────────┘
│ REST API / JSON
┌────────────────────▼────────────────────────────┐
│ Node.js 浏览器服务层 │
│ 浏览器池管理 → 页面渲染 → 执行 JS 交互 │
└────────────────────┬────────────────────────────┘
│ CDP 协议
┌────────────────────▼────────────────────────────┐
│ 无头 Chromium 实例 │
└─────────────────────────────────────────────────┘
这个分层的好处很明显：浏览器服务可以独立扩容，Python 调度器完全不用关心浏览器怎么跑。想加并发？多部署几个 Node.js 服务实例就行。

Node.js 浏览器服务：核心代码
浏览器服务我用 Express 搭了一个 HTTP 接口，核心是维护一个浏览器实例池：

const express = require(‘express’);
const { chromium } = require(‘playwright’);
const app = express();
app.use(express.json());

const PORT = 3000;
const browserPool = {};
const MAX_BROWSERS = 5;

asyncfunction getBrowserInstance(id) {
if (!browserPool[id]) {
browserPool[id] = await chromium.launch({
headless: true,
args: [‘–no-sandbox’]
});
}
return browserPool[id];
}

app.post(‘/render’, async (req, res) => {
const { url, js_actions, session_id = ‘default’ } = req.body;
try {
const browser = await getBrowserInstance(session_id);
const context = await browser.newContext({
userAgent: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36’
});
const page = await context.newPage();

await page.goto(url, { waitUntil: 'networkidle', timeout: 60000 }); // 执行自定义 JS 操作（点击、滚动等） for (const action of js_actions || []) { if (action.type === 'click') { await page.click(action.selector); await page.waitForTimeout(2000); } elseif (action.type === 'scroll') { await page.evaluate(() =>window.scrollTo(0, document.body.scrollHeight)); await page.waitForTimeout(1000); } } const content = await page.content(); const screenshot = await page.screenshot({ fullPage: true }); await context.close(); res.json({ success: true, html: content, screenshot: screenshot.toString('base64') }); } catch (error) { res.status(500).json({ success: false, error: error.message }); }

});

app.listen(PORT, () => console.log(Browser service running on port ${PORT}));
踩坑提醒：浏览器实例池的大小要根据机器配置来调。我实测 8 核 16G 的机器，每个浏览器进程大概吃 150~250MB 内存，MAX_BROWSERS 设到 5 是比较稳妥的。想跑更多？上容器拆分。

Python 调度器：大脑怎么指挥手脚
Python 这边就简单多了——发 HTTP 请求让 Node.js 去干活，拿到 HTML 后用 BeautifulSoup 解析：

import requests
from bs4 import BeautifulSoup
import time

BROWSER_API = “http://localhost:3000/render”

def fetch_rendered_page(url, actions=None):
payload = {
“url”: url,
“js_actions”: actions or [],
“session_id”: “default”
}
resp = requests.post(BROWSER_API, json=payload, timeout=120)
if resp.status_code == 200:
data = resp.json()
if data.get(‘success’):
return data.get(‘html’)
returnNone

def parse_product_data(html):
soup = BeautifulSoup(html, ‘html.parser’)
# 这里写具体的解析逻辑
price = soup.select_one(‘.product-price’)
title = soup.select_one(‘.product-title’)
return {
‘price’: price.text.strip() if price elseNone,
‘title’: title.text.strip() if title elseNone
}

调度循环

urls = [‘https://example.com/item/1’, ‘https://example.com/item/2’]
for url in urls:
html = fetch_rendered_page(url, [
{‘type’: ‘scroll’}, # 先滚动加载更多
{‘type’: ‘click’, ‘selector’: ‘.load-more’} # 再点加载按钮
])
if html:
data = parse_product_data(html)
# 存数据库…
time.sleep(2) # 礼貌爬虫，控制频率
关键点：js_actions 这个设计让 Python 可以灵活控制浏览器的行为——滚动、点击、输入，全都能远程指挥。这样就算页面逻辑再复杂，Python 调度层也不需要改动，只需调整 actions 参数就行。

反爬怎么办？三层防御
这套架构跑通之后，第二个问题来了：雅虎的反爬不是吃素的。

我踩过的坑包括：IP 封禁、自动化特征检测、请求频率限制。解决方案分三层：

第一层：指纹伪装
普通的 Playwright 跑的是 Chromium 标准构建版本，反爬系统早就把特征研究透了——哪些 JavaScript API 行为和真实 Chrome 不一样、Canvas 渲染有什么细微差异、WebGL 特征码对不上，全都有档案。

最基本的伪装：

browser = await p.chromium.launch(
headless=True,
args=[‘–disable-blink-features=AutomationControlled’] # 关掉自动化标记
)
context = await browser.new_context(
user_agent=‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/120.0.0.0 Safari/537.36’,
viewport={‘width’: 1920, ‘height’: 1080}
)
更狠的可以用 playwright-stealth 这类库来抹掉自动化痕迹。但注意，老版的 playwright-stealth 已经停更了，现在推荐用 pw-stealth-enhanced。

第二层：代理轮换
高并发请求下，固定出口 IP 很快就会被封。我的做法是给每个浏览器会话分配独立代理：

proxies = get_proxy_from_pool() # 从代理池取一个
context = await browser.new_context(
proxy={
‘server’: f’http://{proxies[“host”]}:{proxies[“port”]}',
‘username’: proxies[‘user’],
‘password’: proxies[‘pass’]
}
)
第三层：行为模拟
很多反爬系统会分析鼠标轨迹、点击节奏这些行为特征。纯粹的无头浏览器很容易被识破。解决方案是引入 humanization-playwright 这类库，模拟贝塞尔曲线的鼠标移动、随机延迟等人类行为。

这三层叠起来，我的采集系统现在已经稳定跑了 3 个月，日均采集超 10 万条数据。

异步改造：从串行到并发
一开始我用的是同步模式，一个一个爬，效率惨不忍睹。后来改成了 asyncio + Playwright 异步模式：

import asyncio
from playwright.async_api import async_playwright

asyncdef fetch_page(url, proxy=None):
asyncwith async_playwright() as p:
browser = await p.chromium.launch(headless=True)
context = await browser.new_context(proxy=proxy)
page = await context.new_page()
await page.goto(url, wait_until=‘networkidle’)
content = await page.content()
await browser.close()
return content

asyncdef main():
urls = [‘url1’, ‘url2’, ‘url3’, …]
semaphore = asyncio.Semaphore(10) # 限制并发数

asyncdef fetch_with_limit(url): asyncwith semaphore: returnawait fetch_page(url) results = await asyncio.gather(*[fetch_with_limit(url) for url in urls]) # 处理结果...

asyncio.run(main())
注意：并发数不是越大越好。我实测 10 个并发是比较舒服的数字，再高就容易触发反爬或者把机器搞崩。用 asyncio.Semaphore 做限流是基本操作。

这套架构的适用场景
折腾完这套东西之后，我总结了一下它最适合的场景：

SPA 单页应用：React/Vue 渲染的页面，requests 完全拿不到数据的那种
需要交互操作的采集：要点击、滚动、登录才能看到完整内容的页面
高并发的动态渲染需求：纯 Python Playwright 扛不住并发的时候
不适合的场景：静态页面、简单的 API 接口采集——杀鸡用牛刀了，requests 一把梭更高效。

最后说几句
这套架构我从立项到稳定运行大概花了三周时间。最大的感悟是：不要在一个技术栈里死磕，合适的事情交给合适的工具。

Node.js 的 Playwright 管浏览器就是比 Python 版本省资源，这是架构层面的优势，不是写代码能弥补的。Python 做调度和数据处理就是方便，生态丰富。两者结合起来，各取所长。

如果你也在被 SPA 爬虫折磨，或者正愁 Python Playwright 跑不动并发，不妨试试这个思路。