Scrapegraph-ai项目中Playwright浏览器内存泄漏问题的分析与解决

问题背景

在使用Scrapegraph-ai项目进行网页抓取时，开发人员遇到了一个棘手的技术问题：当Lambda函数被多次调用后，系统会抛出"ENOSPC: no space left on device"错误，提示设备上没有剩余空间。这个问题特别发生在使用Playwright库启动浏览器时，系统无法在/tmp目录下创建临时文件。

问题分析

经过深入调查，发现问题的根源在于Playwright浏览器实例在完成任务后没有被正确关闭。每次Lambda函数执行时，都会在/tmp目录下创建新的临时文件，但由于浏览器实例未被释放，这些临时文件会持续占用磁盘空间。随着Lambda函数被频繁调用，/tmp目录最终会被占满，导致后续操作无法进行。

具体错误信息显示，系统尝试在/tmp/playwright-artifacts-*路径下创建临时目录时失败。这表明Playwright生成的浏览器临时文件没有被及时清理，特别是在无头浏览器(headless)模式下运行时。

临时解决方案

开发人员提出了一个应急解决方案：定期清理/tmp目录中超过1GB大小的文件和目录。这个方案通过以下Python函数实现：

def cleanup_temp_files():
    """清理/tmp目录中超过1GB的大型临时文件和目录"""
    cleaned_paths = []
    ONE_GB = 1024 * 1024 * 1024  # 1GB字节数

    try:
        # 获取/tmp目录下所有项目
        tmp_items = os.listdir("/tmp")

        for item in tmp_items:
            full_path = os.path.join("/tmp", item)
            try:
                # 计算文件/目录大小
                if os.path.isdir(full_path):
                    total_size = sum(
                        os.path.getsize(os.path.join(dirpath, filename))
                        for dirpath, _, filenames in os.walk(full_path)
                        for filename in filenames
                    )
                else:
                    total_size = os.path.getsize(full_path)

                # 如果超过1GB则删除
                if total_size > ONE_GB:
                    if os.path.isdir(full_path):
                        shutil.rmtree(full_path)
                    else:
                        os.remove(full_path)
                    cleaned_paths.append(f"{full_path} ({total_size / ONE_GB:.2f}GB)")

            except Exception as e:
                print(f"处理{full_path}失败: {e}")

    except Exception as e:
        print(f"访问/tmp目录错误: {e}")

    if cleaned_paths:
        print(f"已清理{len(cleaned_paths)}个大文件/目录: {cleaned_paths}")
    return cleaned_paths

从日志记录来看，这个临时方案确实解决了燃眉之急，成功清理了诸如/tmp/core.headless_shell.5405 (1.01GB)这样的大型临时文件。

根本解决方案

虽然临时方案可以缓解问题，但更根本的解决方案应该是确保Playwright浏览器实例在使用后被正确关闭。根据Playwright的最佳实践，应该：

1. 确保每个浏览器实例在使用后调用browser.close()方法
2. 在Lambda函数结束时显式关闭所有浏览器相关资源
3. 考虑使用Playwright的上下文管理器模式，确保资源自动释放

最佳实践建议

对于在Scrapegraph-ai项目中使用Playwright进行网页抓取，建议采用以下最佳实践：

1. 资源管理：使用Python的上下文管理器(with语句)来管理Playwright资源
2. 配置优化：在浏览器启动参数中添加内存优化选项
3. 监控机制：实现磁盘空间监控，在接近阈值时提前预警
4. 异常处理：完善异常处理逻辑，确保即使出现错误也能正确释放资源

总结

内存和磁盘空间管理是使用无头浏览器进行网页抓取时需要特别注意的问题。通过分析Scrapegraph-ai项目中遇到的具体问题，我们不仅找到了临时解决方案，更重要的是理解了资源管理的重要性。开发者应该建立良好的资源释放习惯，避免类似问题的发生，确保应用程序的稳定性和可靠性。