なぜ Paprika? — Playwright との違い
Playwright スタイルの API で書きやすく、分散ワーカー上の Chrome を AI とともに動かして画像・動画・リンクを集める。Paprika と Playwright・Selenium の違いを、シナリオ別に比較。
概要
Playwright スタイル API + 分散フリート + AI を 1 つに統合した、収集ワークロード向けプラットフォーム。複数ホストの Chrome を Hub が束ねて並列に動かし、未知サイトは LLM がスクリプトを生成、画像/動画はブラウザが読み込んだバイト列をそのまま回収します。
分散ワーカー上の Chrome が並列でページを取得している様子（管理画面 Live プレビュー）。
採用判断のためのページです。導入は Server インストール、SDK の使い方は Client インストール、内部構造は アーキテクチャ概要 を参照。
5 つの差分
Paprika が Playwright / Selenium と本質的に違うところは 5 つです。
- 分散フリート — 複数ホストの Chrome（Lane）を Hub が束ね、ジョブを WebSocket でディスパッチ。1 台でも 100 台でも同じ API で書ける。
- AI コード生成（
codegen-loop） — URL と自然言語のgoalだけ渡せば、LLM がスクリプトを生成・実行・失敗時に再生成。成功したスクリプトはmode: rerunで次回から決定的に再利用。 - 二度取りしない passive 回収 — ブラウザが実際に読み込んだレスポンスを CDP の
Network.responseReceivedで横取り。<img>URL から再 GET しないので、帯域半分、認証/Referer 必須の画像も、JS で差し込まれた lazy-load・background-image・iframe 内も全部拾える。 - 収集に最適化 —
yt-dlp+ 通信トレース統合で動画も画像と同じ感覚で取得、スクロール・最小サイズ・遅延ロード対策が既定機能。管理画面・ライブ noVNC が標準付属。 - 普段使い Chrome の環境ごと持ち込み —
--load-extensionで既存拡張 (uBlock / Bitwarden 等) が動き、use_profileで User Data フォルダごとアップロードできるので、ログイン済みの状態でいきなり収集を始められます。
書き味は Playwright とほぼ同じ（locator / get_by_* / fill / press / wait_for …）。違うのは「Hub に接続している」点と、結果が「ジョブ」単位で積み上がる点だけです。
Playwright / Selenium との詳細比較
重要度順:
| 観点 | Paprika | Playwright | Selenium |
|---|---|---|---|
| 対象 | 収集ワークロードのプラットフォーム | ブラウザ自動化のライブラリ | ブラウザ自動化のライブラリ |
| 分散実行 | 標準で分散（Hub + N ワーカー × M レーン） | 自前で Grid / k8s を組む | Selenium Grid |
| 取得方式 | ブラウザが読み込んだものを passive 回収（再 GET なし） | URL を取り出して再 GET | URL を取り出して再 GET |
| AI 駆動 | codegen-loop（生成→実行→再生成） |
なし | なし |
| 画像 / アセット収集 | 既定機能（min size / scroll / lazy 対応） | 自分で書く | 自分で書く |
| 動画取得 | yt-dlp + 通信トレース統合 |
手作業で連携 | 手作業で連携 |
| ライブ可観測性 / 管理画面 | noVNC + 管理画面が標準付属 | デバッガ / 録画 | スクリーンショット |
| ログイン継続 | Bridge 拡張 / use_profile / Host レシピ |
自前で Cookie / storage 注入 | 自前で Cookie / storage 注入 |
| 既存 Chrome 拡張・プロファイル | そのまま動く（--load-extension / User Data ごと） |
別途エクスポート＆注入 | 別途エクスポート＆注入 |
| API スタイル | Playwright 風（同じ書き味） | Playwright | WebDriver |
| ジョブモデル | REST/SDK で投入 → 完了待ち → アセット回収 | 自分でプロセス管理 | 自分でプロセス管理 |
| JS 注入の範囲 | 拡張権限まで使える（userScripts / declarativeNetRequest） | addInitScript（ページコンテキスト）のみ |
execute_script のみ |
| 検出回避 | nodriver（webdriver シグナルを抑える） |
パッチが必要 | パッチが必要 |
Playwright や Selenium が悪い、という話ではありません。「複数台で長く回す収集ワークロード」 が用途のとき、その上に組むべき配管が 標準で揃っている のが Paprika の立ち位置です。
いつ Paprika / いつ Playwright か
| やりたいこと | おすすめ |
|---|---|
| 複数サイト × 複数ホストで数千〜数百万ページを収集 | Paprika |
| 画像 / 動画 / リンクをまとめて回収（HLS/DASH 含む） | Paprika |
| 未知サイトにとりあえず投げて AI に拾ってもらう | Paprika |
| ログイン継続・年代/確認画面・ポップアップを乗り越える | Paprika |
| 何が起きているか目で見える運用にしたい | Paprika |
| アプリの E2E テスト（CI で 1 台 / 短時間） | Playwright / Selenium |
| 1 つのスクリプトを自前のジョブキューで十分に回せる | Playwright / Selenium |
| ブラウザ自動化を既存システムに組み込むライブラリとして使う | Playwright / Selenium |
移行の見当（Playwright を書いている人向け）
ほぼそのまま:
# Playwright
page.locator("button.primary").click()
page.get_by_role("button", name="送信").click()
page.fill("#email", "alice@example.com")
Paprika:
async with cli.session("https://...") as page:
await page.locator("button.primary").click()
await page.get_by_role("button", name="送信").click()
await page.fill("#email", "alice@example.com")
違うのは「Hub に接続している」点と、ジョブ単位で結果が積み上がる点です。詳しくは Locator リファレンス と API リファレンス。
いま無いもの（正直に）
- DRM 動画は取得不可、かつ取得を試みてはいけません — Widevine / FairPlay / PlayReady などで保護された配信（Netflix・Amazon Prime Video・Disney+ など）は復号鍵がブラウザの保護領域（CDM）にあり、Paprika は DRM の回避・解除を一切行いません。著作権法第30条第1項第2号・第120条の2、不正アクセス禁止法、DMCA §1201、EU 著作権指令 第6条 で世界的に禁止されています。詳しくは 動画の取得と配信のしくみ を参照。
- 既定で認証なし（private LAN 想定）。外部公開する場合はリバプロ + 認証を手前に置いてください。
- Windows ワーカーは Linux フリートと別経路（noVNC ではなく CDP screencast）。