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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00