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 20:23:57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
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
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~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
PCDViewer-4.9.0-Ubuntu20.04:专业点云可视化与编辑工具全面解析 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 SAP S4HANA物料管理资源全面解析:从入门到精通的完整指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 LabVIEW串口通信开发全攻略:从入门到精通的完整解决方案 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

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
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (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
923
551

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
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

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
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8