Crawlee StagehandCrawler：自然语言点 Load More 的工程化爬虫

作者：张大鹏 | 大鹏AI教育

标签：AI 爬虫 Crawlee Stagehand 浏览器自动化

阅读提示

列表页上的 「Load More / 加载更多」 是动态爬虫的经典噩梦：

按钮 class 名随前端改版变化
点击后要等 XHR，条目数不固定
翻到底没有明确「最后一页」信号

传统 Playwright 脚本靠 CSS 选择器硬写，维护成本高。Crawlee 在 v3.16 起引入 StagehandCrawler ：在 Crawlee 的请求队列、重试、存储体系上，叠加 Stagehand 的自然语言浏览器操作 ------你可以用一句话描述「点击加载更多，直到没有更多按钮」，而不是死磕 .btn-load-more-v2。

这篇面向合规采集：公开列表、授权后台、压测环境。不涉及绕过验证码、登录墙或反爬。

1. StagehandCrawler 在 Crawlee 栈里的位置

Crawlee 本身解决的是工程问题：

RequestQueue / Dataset 持久化
自动重试、会话、代理钩子
Playwright / Puppeteer 统一入口

Stagehand 解决的是交互表达问题：用自然语言描述「点哪个、填什么、等到什么出现」。

合在一起，典型链路是：

scss 复制代码

Seed URL → StagehandCrawler 打开页
         → act("click Load More until gone")
         → extract 列表字段入 Dataset
         → enqueue 详情页（可选）

边界：NL 操作不是免维护。页面结构大变时，指令语义可能失效，仍需监控失败率并回退到 getByRole 等显式 locator。

2. 最小示例：自然语言点 Load More

安装（版本号以项目为准）：

css 复制代码

npm i crawlee @crawlee/playwright stagehand

核心爬虫骨架：

php 复制代码

import { StagehandCrawler } from '@crawlee/playwright';
import { Dataset } from 'crawlee';

const crawler = new StagehandCrawler({
  maxRequestsPerCrawl: 50,
  launchContext: {
    launchOptions: { headless: true },
  },
  async requestHandler({ page, request, stagehand, log }) {
    await page.goto(request.url, { waitUntil: 'domcontentloaded' });

    // 自然语言：反复点「加载更多」，直到按钮消失或不可点
    await stagehand.act(
      'If there is a "Load More" or "加载更多" button, click it and wait for new list items. Repeat until the button is gone or disabled. Do not click more than 10 times.'
    );

    const items = await stagehand.extract({
      instruction: 'Extract all article cards: title, url, summary if visible.',
      schema: {
        type: 'object',
        properties: {
          items: {
            type: 'array',
            items: {
              type: 'object',
              properties: {
                title: { type: 'string' },
                url: { type: 'string' },
                summary: { type: 'string' },
              },
              required: ['title', 'url'],
            },
          },
        },
        required: ['items'],
      },
    });

    await Dataset.pushData(items.items);
    log.info(`Saved ${items.items.length} items from ${request.url}`);
  },
});

await crawler.run(['https://example.com/articles']);

要点：

act 要写清停止条件（最多点 10 次），防止无限循环
extract 必须绑 JSON Schema，避免幻觉字段
Crawlee 的 maxRequestsPerCrawl 控制规模，配合限速

3. 工程化：队列、重试与观测

Load More 场景建议再加：

javascript 复制代码

import { Configuration } from 'crawlee';

Configuration.getGlobalConfig().getEventManager().on('migrating', () => {
  // 进程迁移时的钩子
});

const crawler = new StagehandCrawler({
  maxRequestRetries: 2,
  requestHandlerTimeoutSecs: 120,
  minConcurrency: 1,
  maxConcurrency: 2, // 公开站别拉太高
  failedRequestHandler({ request, error }) {
    console.error(`Failed ${request.url}:`, error);
    // 留截图、HTML 片段供人工复盘
  },
  // ... requestHandler 同上
});

和纯 Playwright 脚本对比：

项	手写 Playwright	StagehandCrawler
Load More 交互	手写 loop + selector	NL `act` + 停止条件
持久化	自建	Dataset / Queue 内置
失败重试	自建	Crawlee 内置
合规限速	需自写	配合 concurrency + sleep
可预测性	高（selector 明确）	中（需 Schema + 监控）

4. 合规边界

Stagehand 的「自然语言点按钮」不等于可以点「绕过验证」「同意所有 Cookie 后强行登录」这类违规操作。

允许	禁止
公开列表 Load More	未授权登录后采数据
遵守 robots.txt	破解验证码 / 滑块
低速、低并发	分布式压测式抓取
结构化公开字段	采用户私信、手机号等

遇到以下情况应停止任务并告警，而非让 Stagehand「想办法」：

HTTP 403 / 429 持续出现
出现 CAPTCHA / 人机验证
Terms 明确禁止 automated access

5. 上线检查清单

act 是否写清 最大点击次数 与停止条件
extract 是否绑定了 JSON Schema
Crawlee maxConcurrency 是否控制在合理范围
是否有 failedRequestHandler 留证
目标站是否公开或已授权
是否尊重 robots.txt
遇验证码是否停止而非绕过
首批数据是否人工对照页面抽检

6. 结论

Crawlee StagehandCrawler 适合 「列表 + Load More + 字段抽取」 这类交互重复、选择器易变的合规场景。推荐组合：

Crawlee 管队列与重试，Stagehand 管 NL 交互，Schema 管输出，人工管抽检与合规。

别把它当成反爬神器；把它当成降低 selector 维护成本的工程组件，价值才可持续。

参考来源

作者：张大鹏｜来源：大鹏AI教育
标签：AI · 爬虫 · Crawlee · Stagehand
原创内容，转载需授权