使用 Playwright 加载网页

兼容性

仅在 Node.js 上可用。

此示例介绍了如何使用 Playwright 从网页加载数据。每个网页将创建一个文档。

Playwright 是一个 Node.js 库，它提供了一个高级 API 来控制多个浏览器引擎，包括 Chromium、Firefox 和 WebKit。您可以使用 Playwright 自动执行网页交互，包括从需要 JavaScript 渲染的动态网页中提取数据。

如果您想要一个更轻量级的解决方案，并且您要加载的网页不需要 JavaScript 渲染，您可以使用 CheerioWebBaseLoader 代替。

设置

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

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

/**
 * Loader uses `page.content()`
 * as default evaluate function
 **/
const loader = new PlaywrightWebBaseLoader("https://www.tabnews.com.br/");

const docs = await loader.load();

选项

以下是您可以使用 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，指定要传递给 playwright.chromium.launch() 方法的额外选项。这可能包括选项，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，指定要传递给 page.goto() 方法的额外选项。这可能包括选项，例如 timeout 选项，用于指定以毫秒为单位的最大导航时间，或者 waitUntil 选项，用于指定何时将导航视为成功。

3. evaluate：一个可选函数，可用于使用自定义评估函数在页面上评估 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，您可以自定义加载器的行为，并使用 Playwright 的强大功能来抓取和交互网页。

以下是一个基本示例来完成它

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();

// raw HTML page content
const extractedContents = docs[0].pageContent;

以下是一个更高级的示例

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",
  },
  /** Pass custom evaluate, in this case you get page and browser instances */
  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();