核心用法
Zoomin Scraper 是一款针对 Zoomin Software 文档门户（如 Zerto 帮助站点）的专用爬虫工具，采用 Playwright 驱动 headless Chromium 浏览器，通过执行 JavaScript、等待动态内容加载后提取渲染完成的正文内容。
执行流程：
1. 准备 URL 列表文件（每行一个目标地址）
2. 首次使用前手动安装 Playwright 依赖：pip install playwright && playwright install chromium
3. 调用 run_scraper.sh 脚本，传入三个核心参数：
4. 脚本自动激活虚拟环境，针对每个 URL 启动浏览器，定位 <article id="zDocsContent"> 元素，提取纯文本后保存
urls_file: URL 列表路径output_directory: 输出目录（默认zerto_hyperv_docs_playwright_scrape）venv_path: Python 虚拟环境绝对路径
显著优点
- 动态内容处理能力：绕过静态请求限制，完美处理 JavaScript 渲染的现代文档站点
- 精准内容定位：硬编码目标 Zoomin 门户的内容容器 ID，减少噪音数据
- 反爬友好设计：内置浏览器 User-Agent 模拟、请求间隔延迟，降低被封禁风险
- 批量化工作流：支持 URL 列表批量处理，适合大规模技术文档迁移或离线归档
潜在缺点与局限性
- 环境依赖重：需手动预装 Playwright 及 Chromium 二进制文件（约 100MB+），首次配置门槛较高
- 硬编码耦合：内容选择器
#zDocsContent专为 Zoomin 架构设计，无法通用于其他文档平台 - 资源消耗大：每个 URL 启动完整浏览器进程，大规模采集时内存与 CPU 占用显著
- 维护盲区：无自动更新机制，若 Zoomin 前端改版可能导致选择器失效
适合人群
- 技术写作者需批量导出 Zoomin 托管的文档内容
- 企业 IT 团队进行文档迁移或构建内部知识库
- 开发者研究竞品文档结构，需获取渲染后的纯净文本
常规风险
- 服务条款冲突：未经授权批量爬取可能违反 Zoomin 或目标站点的 ToS
- IP 封禁风险：即使设置了延迟，高频请求仍可能触发 WAF 防护
- 数据残留：Playwright 可能在临时目录残留 Chromium 实例或缓存文件，需注意磁盘清理
- 虚拟环境路径泄露：脚本参数以明文传递 venv 绝对路径，多用户场景存在路径信息暴露风险