Playwright Python 解决Codegen因安全设置卡住的问题
2025-05-17 22:06:15作者:柯茵沙
在使用Playwright Python进行自动化测试时,开发者可能会遇到一个常见问题:当应用程序需要禁用Chrome的"BlockInsecurePrivateNetworkRequests"安全功能时,通过命令行工具codegen启动的浏览器会话无法保持这一设置,导致测试无法正常进行。
问题背景
现代浏览器出于安全考虑,默认会阻止不安全的私有网络请求。在Chrome/Chromium中,这一功能由"BlockInsecurePrivateNetworkRequests"标志控制。当测试环境需要访问本地或私有网络资源时,开发者需要禁用此功能。
常规解决方案的局限性
通过浏览器地址栏手动禁用该标志(chrome://flags/#block-insecure-private-network-requests)后,虽然当前会话可以正常工作,但这一设置不会在以下情况中保留:
- 浏览器重启后
- 通过codegen启动新的浏览器实例时
专业解决方案
Playwright提供了两种专业方法来解决这一问题:
方法一:使用持久化上下文
这种方法会创建一个持久的浏览器配置文件,所有设置变更都会被保存:
from playwright.sync_api import sync_playwright
with sync_playwright() as p:
# 创建持久化上下文,./profile是配置文件存储路径
context = p.chromium.launch_persistent_context("./profile", headless=False)
# 获取页面并暂停以开始录制
page = context.pages[0]
page.pause()
方法二:直接传递启动参数
如果不需要保存配置,可以直接在启动浏览器时传递参数:
from playwright.sync_api import sync_playwright
with sync_playwright() as p:
# 启动浏览器时直接禁用安全功能
browser = p.chromium.launch(
headless=False,
args=["--disable-features=BlockInsecurePrivateNetworkRequests"]
)
# 创建新页面并暂停以开始录制
page = browser.new_page()
page.pause()
最佳实践建议
- 对于需要频繁修改浏览器设置的测试场景,推荐使用持久化上下文方法
- 对于一次性测试或CI环境,直接传递启动参数更为简洁
- 在团队协作环境中,建议将这类配置封装为公共方法或fixture
技术原理
Playwright通过创建独立的浏览器实例来实现自动化测试。默认情况下,每个实例都会使用全新的配置文件,这是浏览器安全沙箱机制的一部分。上述解决方案通过以下方式绕过这一限制:
- 持久化上下文:在文件系统中保存浏览器配置
- 启动参数:在浏览器初始化阶段直接修改运行时行为
理解这些底层机制有助于开发者根据实际需求选择最合适的解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
402
3.12 K
Ascend Extension for PyTorch
Python
224
249
暂无简介
Dart
672
159
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
315
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
219