Crawlee项目中使用Puppeteer在Docker部署时的超时问题分析与解决
2025-05-12 03:25:19作者:薛曦旖Francesca
问题背景
在使用Crawlee 3.9.1进行内部文档爬取时,开发人员遇到了一个特殊的问题:当应用部署在基于apify/actor-node-puppeteer-chrome:20
的Docker容器中并在AWS EKS上运行时,某些特定页面会出现导航超时错误。有趣的是,这个问题在本地开发环境(包括本地Docker环境)中完全不会出现,只有在生产环境部署时才会发生。
错误表现
系统会先显示警告信息:
WARN PuppeteerCrawler: Reclaiming failed request back to the list or queue. Navigation timed out after 60 seconds.
随后在重试达到最大次数后显示错误:
ERROR PuppeteerCrawler: Request failed and reached maximum retries. Navigation timed out after 60 seconds.
问题排查过程
初步尝试
开发人员尝试了多种方法来解决这个问题:
- 尝试不同的Docker镜像
- 测试不同版本的Puppeteer
- 调整浏览器版本
- 添加
--disable-gpu
标志 但所有这些尝试都未能解决问题。
深入分析
当开发人员转而使用纯Puppeteer实现爬虫时,发现了类似的超时问题,但错误信息略有不同:
TimeoutError: Navigation timeout of 30000 ms exceeded
通过启用Puppeteer的调试模式(DEBUG="puppeteer:*"
),发现了一个关键线索:系统在尝试加载Google字体资源时出现了超时:
Failed to load resource: net::ERR_TIMED_OUT
根本原因
问题源于以下几个因素的组合:
- 跨域资源加载:页面尝试加载Google字体等外部资源,这些请求可能受到了已设置cookie的影响
- 环境差异:生产环境的TCP keepalive超时设置可能比本地环境更长(某些Linux发行版默认设置为2小时)
- 请求拦截缺失:默认情况下没有对非目标域名的请求进行过滤
解决方案
方法一:禁用导航超时(临时方案)
page.setDefaultNavigationTimeout(0);
方法二:请求拦截(推荐方案)
page.setDefaultNavigationTimeout(0);
page.setRequestInterception(true);
page.on('request', req => {
if(!req.isInterceptResolutionHandled()) {
const url = new URL(req.url());
if(url.hostname !== domain) {
return req.abort();
} else {
return req.continue();
}
}
});
技术原理
- 请求拦截:通过拦截非目标域名的请求,避免了外部资源加载导致的超时问题
- 性能优化:这种方法不仅解决了超时问题,还能显著提高爬取速度,因为不再需要等待无关资源的加载
- 资源控制:减少了不必要的网络流量和资源消耗
最佳实践建议
- 对于爬虫项目,建议始终启用请求拦截,只允许目标域名的请求
- 在生产环境部署前,应该模拟生产环境的网络条件进行测试
- 对于关键爬取任务,考虑实现自定义的重试逻辑和错误处理机制
- 监控和记录所有被拦截的请求,以便后续分析和优化
总结
这个案例展示了在复杂环境中部署网络爬虫时可能遇到的隐蔽问题。通过系统性的排查和深入的技术分析,开发人员不仅解决了当前问题,还总结出了可推广的最佳实践。关键在于理解不同环境下的网络行为差异,并实施适当的请求控制策略。
对于使用Crawlee或Puppeteer的开发人员来说,请求拦截是一个强大而必要的技术,它不仅能解决超时问题,还能提高爬虫的效率和可靠性。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
860
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
595
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K