首页
/ Crawlee项目中使用Puppeteer在Docker部署时的超时问题分析与解决

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:

  1. 尝试不同的Docker镜像
  2. 测试不同版本的Puppeteer
  3. 调整浏览器版本
  4. 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:

  1. 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
  2. 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)
  3. 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

  1. 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
  2. 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
  3. 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

  1. 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
  2. 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
  3. 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
  4. 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

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
RuoYi-Vue3RuoYi-Vue3
🎉 (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开源商城ShopXO开源商城
🔥🔥🔥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-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
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
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
595
57
CangjieCommunityCangjieCommunity
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
HarmonyOS-ExamplesHarmonyOS-Examples
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
Cangjie-ExamplesCangjie-Examples
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