Paprika

分散ワーカー上の Chrome を Playwright スタイルの Python・PHP で操作、 AI を使って、ページの画像・動画・リンクをまとめて収集するブラウザ自動化プラットフォーム。

Paprika とは

URL を渡すと、フリート上の実ブラウザがページを開き、画像・動画・HTML を収集して返します。ログインが必要・JavaScript で描画される・年齢確認がある、といった「機械的な巡回が難しいサイト」でも安定して動くことを目指した基盤です。

使い方は 3 通り。管理 UI から URL を POST / HTTP API を実行 / paprika-client（Python / PHP SDK）を使います。

できること

画像・動画の一括取得

1 つの URL からページ上の画像・動画を丸ごとダウンロードします。遅延ロードや動画ストリームにも対応しています。

Playwright スタイル SDK

page.goto() / click() / fill() に加え、evaluate()・待機・Locator まで。

ログイン必須サイト

一度ログインして Cookie を保存すれば、以後の収集で自動的に再利用されます。

LLM / Vision エージェント

自然言語のゴールを渡すとスクリプトを生成・実行します。CSS が効かない画面は画面を見て操作します。

ライブ noVNC

実行中のブラウザをブラウザ上で観察・手動操作できます。人手への引き継ぎも可能です。

分散フリート

多数のワーカーが並列実行。1 台で複数の独立ブラウザ（Lane）を保持。

最短の例

1 つの記事ページの画像を全部ダウンロードする：

import asyncio
from paprika_client import async_paprika

async def main():
    async with async_paprika.connect() as cli:
        job = await cli.fetch("https://example.com/article")   # 開いて収集
        await cli.download_job_assets(job["job_id"], "out/")   # 画像を保存

asyncio.run(main())

ブラウザを対話的に動かしたいときは cli.session()：

async with cli.session("https://example.com") as page:
    await page.click("text=ログイン")
    await page.fill("#user", "alice")
    await page.screenshot(path="shot.png")

次のステップ

はじめに →

インストール・接続・最初のスクリプト・コア概念。

ガイド →

画像/動画の取得、ログイン、ブラウザ操作、LLM の使い分け。

API リファレンス →

SDK の全関数：引数・戻り値・例。

サーバー →

3つの構成パターン・Docker / CLI 起動・環境変数・デプロイ。

背景 — paps / ProtectionAI

特定非営利活動法人ぱっぷす（paps.jp）は、性的搾取・デジタル性暴力被害の相談窓口です。意に反して拡散された画像・動画の探索と、サイト・プラットフォーム運営者への削除要請までを補助するシステム ProtectionAI を開発しています（対面・電話・メール・SNS で被害相談を受付）。

その探索基盤として、複雑なサイトでも安定してページを開き画像・動画・リンクを収集できる汎用クローラーが必要になり、Paprika が生まれました。本リポジトリには被害者画像の検出ロジックは含まれず（それは ProtectionAI 側）、ここで公開しているのは汎用的な Web 自動化基盤です。