Playwright-dotnet 与 Chrome 136 版本兼容性问题解析
问题背景
微软 Playwright-dotnet 项目是一个强大的浏览器自动化测试框架,近期有开发者反馈在使用 Chrome 136 版本时遇到了 LaunchPersistentContext 方法调用失败的问题。这个问题特别值得关注,因为它影响了依赖持久化用户数据的测试场景。
问题现象
当开发者尝试使用 Playwright-dotnet 的 LaunchPersistentContextAsync 方法启动 Chrome 136 时,会遇到超时异常。错误日志显示关键信息:"DevTools remote debugging requires a non-default data directory",这表明 Chrome 136 对远程调试的数据目录有了新的限制要求。
技术分析
Chrome 136 的安全变更
Chrome 136 引入了一项重要的安全变更:远程调试功能现在要求使用非默认的用户数据目录。这是 Google 为了增强安全性而做出的调整,旨在防止潜在的安全风险。当检测到使用默认用户数据目录(如 Chrome 的标准用户数据路径)时,Chrome 会拒绝建立远程调试连接。
对 Playwright 的影响
Playwright 依赖 Chrome 的远程调试协议来实现浏览器自动化。当 Chrome 136 拒绝连接时,Playwright 无法建立与浏览器的通信通道,最终导致超时错误。这个问题特别影响那些需要复用现有用户数据的测试场景,比如需要保持登录状态的测试用例。
解决方案
临时解决方案
目前可以通过添加启动参数来绕过这个限制:
var options = new BrowserTypeLaunchPersistentContextOptions
{
Headless = false,
Channel = "chrome",
Args = new[] { "--disable-features=DevToolsDebuggingRestrictions" },
Permissions = new[] {"clipboard-write", "clipboard-read"}
};
长期解决方案
- 使用自定义用户数据目录:创建一个专门用于测试的用户数据目录,而不是使用 Chrome 的默认目录
- 隔离测试环境:为每个测试会话创建独立的用户数据目录,避免共享状态带来的问题
最佳实践建议
- 在测试环境中使用专门配置的用户数据目录
- 考虑使用临时目录进行测试,确保测试环境的隔离性
- 定期关注 Chrome 的更新日志,了解可能影响自动化测试的变更
- 为重要的测试场景编写回退方案,以应对浏览器行为变更
总结
Chrome 136 的安全变更虽然给自动化测试带来了一些挑战,但也促使我们采用更安全的测试实践。开发者应该逐步迁移到使用独立用户数据目录的模式,这不仅能解决当前问题,还能提高测试的可靠性和安全性。Playwright 团队很可能会在未来版本中提供更优雅的解决方案来处理这一变更。
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