Persistent Browser Scraper

用 Playwright 持久化上下文（main-identity）抓取需要登录态的网站（YouTube、GitHub、HuggingFace、Reddit、Kaggle、X/Twitter）。当用户要求外网搜索或指定这些网站时自动触发。

用 Playwright launch_persistent_context 读写 main-identity 配置文件的技能。

核心原理

user_data_dir = /home/kncao/.openclaw/browser-profiles/main-identity
headless = False（必须，否则 X/Twitter 会返回空白）

每次抓取前先删 SingletonLock：

rm -f /home/kncao/.openclaw/browser-profiles/main-identity/SingletonLock

标准模板

import asyncio
from playwright.async_api import async_playwright

USER_DATA_DIR = '/home/kncao/.openclaw/browser-profiles/main-identity'

async def scrape(url: str, selector: str = 'body', wait_ms: int = 8000):
    async with async_playwright() as p:
        context = await p.chromium.launch_persistent_context(
            user_data_dir=USER_DATA_DIR,
            headless=False,
            args=[
                "--password-store=basic",
                "--no-sandbox",
                "--disable-blink-features=AutomationControlled",
                "--disable-infobars"
            ],
            viewport={'width': 1280, 'height': 800},
            java_script_enabled=True
        )
        try:
            page = await context.new_page()
            await page.goto(url, wait_until='domcontentloaded', timeout=30000)
            await page.wait_for_timeout(wait_ms)  # SPA hydration
            text = await page.inner_text(selector)
            await context.close()
            return text
        except Exception as e:
            await context.close()
            raise e

各网站等待时间

网站	wait_ms	备注
X/Twitter	8000	React SPA，需等 JS 渲染
YouTube	6000	JS 懒加载
GitHub	3000	SSR为主
HuggingFace	5000	React
Reddit	6000	SSR+JS混合
Kaggle	8000	React SPA

触发条件

• 用户要求「搜索外网」「搜一下」
• 用户指定以下网站：YouTube、GitHub、HuggingFace、Reddit、Kaggle、X/Twitter
• 任何需要登录态才能访问的内容抓取

注意事项

• 必须用 headless=False，X/Twitter 在 headless=True 下会返回空白页面
• 每次调用前清理 SingletonLock，否则报 ProcessSingleton 错误
• SPA 页面（如 X）必须等 8 秒让前端 hydrate，否则正文为空
• 优先提取纯文本，不依赖截图