使用 Playwright 的网页

兼容性

仅适用于 Node.js。

本示例介绍如何使用 Playwright 从网页加载数据。每个网页将生成一个文档。

Playwright 是一个 Node.js 库，提供了用于控制多个浏览器引擎（包括 Chromium、Firefox 和 WebKit）的高级 API。你可以使用 Playwright 自动化网页交互，包括从需要 JavaScript 渲染的动态网页中提取数据。

如果你希望使用更轻量级的解决方案，并且你想要加载的网页不需要 JavaScript 来渲染，你可以使用 CheerioWebBaseLoader。

安装

npm

npm install @langchain/community @langchain/core playwright

Yarn

yarn add @langchain/community @langchain/core playwright

pnpm

pnpm add @langchain/community @langchain/core playwright

使用方法

import { PlaywrightWebBaseLoader } from "@langchain/community/document_loaders/web/playwright";

/**
 * 加载器默认使用 `page.content()`
 * 作为评估函数
 **/
const loader = new PlaywrightWebBaseLoader("https://www.tabnews.com.br/");

const docs = await loader.load();

选项参数

以下是你可以通过 PlaywrightWebBaseLoaderOptions 接口传递给 PlaywrightWebBaseLoader 构造函数的参数说明：

type PlaywrightWebBaseLoaderOptions = {
  launchOptions?: LaunchOptions;
  gotoOptions?: PlaywrightGotoOptions;
  evaluate?: PlaywrightEvaluate;
};

1. launchOptions: 一个可选对象，用于指定传递给 playwright.chromium.launch() 方法的附加选项。这可以包括例如 headless 标志，用于以无头模式启动浏览器。

2. gotoOptions: 一个可选对象，用于指定传递给 page.goto() 方法的附加选项。这可以包括例如 timeout 选项，用于指定最大导航时间（以毫秒为单位），或 waitUntil 选项，用于指定何时认为导航成功。

3. evaluate: 一个可选函数，可用于使用自定义评估函数在页面上执行 JavaScript 代码。这对于从页面提取数据、与页面元素交互或处理特定 HTTP 响应非常有用。该函数应返回一个 Promise，该 Promise 解析为包含评估结果的字符串。

通过将这些选项传递给 PlaywrightWebBaseLoader 构造函数，你可以自定义加载器的行为，并利用 Playwright 强大的功能来抓取和交互网页。

以下是一个基本示例：

import {
  PlaywrightWebBaseLoader,
  Page,
  Browser,
} from "@langchain/community/document_loaders/web/playwright";

const url = "https://www.tabnews.com.br/";
const loader = new PlaywrightWebBaseLoader(url);
const docs = await loader.load();

// 原始 HTML 页面内容
const extractedContents = docs[0].pageContent;

以及一个更高级的示例：

import {
  PlaywrightWebBaseLoader,
  Page,
  Browser,
} from "@langchain/community/document_loaders/web/playwright";

const loader = new PlaywrightWebBaseLoader("https://www.tabnews.com.br/", {
  launchOptions: {
    headless: true,
  },
  gotoOptions: {
    waitUntil: "domcontentloaded",
  },
  /** 传递自定义的 evaluate 函数，在这种情况下你将获得 page 和 browser 实例 */
  async evaluate(page: Page, browser: Browser, response: Response | null) {
    await page.waitForResponse("https://www.tabnews.com.br/va/view");

    const result = await page.evaluate(() => document.body.innerHTML);
    return result;
  },
});

const docs = await loader.load();