Puppeteer-Cluster Stealthy 是否足以通过机器人测试？

Question

我想知道是否有人使用 Puppeteer-Cluster 可以详细说明 Cluster.Launch({settings}) 如何防止在不同上下文中的页面之间共享 cookie 和 Web 数据。

浏览器上下文here 是否实际上阻止了 cookie 并且用户数据未被共享或跟踪？ Browserless' 现在臭名昭著的页面似乎认为不，here 应该在任务上调用 .launch({})，而不是在队列之前调用。

所以我的问题是，我们如何知道 puppeteer-cluster 是否在队列任务之间共享 cookie/数据？库中有哪些选项可以降低被标记为机器人的机会？

设置：我将 page.authenticate 与代理服务、随机用户代理一起使用，但我正在执行测试的站点偶尔仍会被阻止 (403)。

async function run() {
// Create a cluster with 2 workers
  const cluster = await Cluster.launch({
    concurrency: Cluster.CONCURRENCY_BROWSER, //Cluster.CONCURRENCY_PAGE,
    maxConcurrency: 2, //5, //25, //the number of chromes open
    monitor: false, //true,
    puppeteerOptions: {
      executablePath,
      args: [
        "--proxy-server=pro.proxy.net:2222",
        "--incognito",
        "--disable-gpu",
        "--disable-dev-shm-usage",
        "--disable-setuid-sandbox",
        "--no-first-run",
        "--no-sandbox",
        "--no-zygote"
      ],
      headless: false,
      sameDomainDelay: 1000,
      retryDelay: 3000,
      workerCreationDelay: 3000
    }
  });

   // Define a task 
      await cluster.task(async ({ page, data: url }) => {
         extract(url, page); //call the extract
      });

   //task
      const extract = async ({ page, data: dataJson }) => {
         page.setExtraHTTPHeaders({headers})

         await page.authenticate({
           username: proxy_user, 
           password: proxy_pass
         });

       //Randomized Delay
         await delay(2000 + (Math.floor(Math.random() * 998) + 1));

         const response = await page.goto(dataJson.Url);
 }

//loop over inputs, and queue them into cluster
  var dataJson = {
      url: url
      };

  cluster.queue(dataJson, extract);

 }

 // Shutdown after everything is done
 await cluster.idle();
 await cluster.close();

}

Answer 1

直接回答

puppeteer-cluster 的作者在这里。该库不会主动阻止 cookie，而是使用browser.createIncognitoBrowserContext()：

创建一个新的隐身浏览器上下文。这不会与其他浏览器上下文共享 cookie/缓存。

此外，文档指出“隐身浏览器上下文不会将任何浏览数据写入磁盘”(source)，因此重启浏览器不能重用磁盘中的任何 cookie没有写入数据。

关于库，这意味着在执行作业时，会创建一个新的隐身上下文，该上下文不与其他上下文共享任何数据（cookie 等）。因此，只要 Chromium 正确实现隐身浏览器上下文，作业之间就不会共享数据。

您链接的页面仅涉及browser.newPage()（在页面之间共享 cookie），而不涉及隐身上下文。

为什么网站可能会将您识别为机器人

某些网站仍会阻止您，因为它们使用不同的措施来检测机器人。如果用户代理与浏览器指纹不匹配，则有headless browser detection tests 以及指纹库可能会将您报告为机器人。你可能对我的this answer 感兴趣，它提供了一些更详细的解释这些指纹是如何工作的。

您可以尝试使用带有stealth 插件的puppeteer-extra 之类的库来帮助您解决问题。然而，这基本上是一场猫捉老鼠的游戏。指纹测试可能会改变，或者其他站点可能会使用不同的“检测”机制。总而言之，无法保证网站不会检测到您。

如果您想使用puppeteer-extra，请注意您可以将它与puppeteer-cluster (example code) 结合使用。

Answer 2

您始终可以使用PlayWright，这比 puppeteer 更难被识别为机器人，并且可以选择使用多个浏览器等。