[請益] 如何抓取網頁"純"原始碼？

[grassboy2 (活力花俏草兒仔政﹞O花俏)]

※ [本文轉錄自 Web_Design 看板 #1Cy-kcgX ]

作者: grassboy2 (活力花俏草兒仔政﹞O花俏) 看板: Web_Design
標題: [請益] 如何抓取網頁"純"原始碼？
時間: Tue Nov 30 02:06:27 2010

如標題…

以下是測試的url
http://grassboy.tw/webDev/test.php

他的原始碼很簡單，只有一行
        <img src=test.png /><b>哈囉！

沒錯！很醜的code~

圖片src沒有雙括號，粗體沒結尾~

但進去網頁後…

我在網址列下了 javascript:alert(document.body.innerHTML)

結果…我測了firefox chrome ie8三種瀏覽器…

大多都是回我
        <img src="test.png"><b>哈囉！
        </b>

也就是說…瀏覽器會自動將這種不正確的網頁結構進行修改，

並反映到innerHTML上…

那麼…有沒有辦法透過javascript取得 <img src=test.png><b>哈囉！ 呢？

當然…這要求還滿奇怪的…

不過如果今天某個網站(ex: plurk)透過header("text/html")的介面

回傳一個json物件到browser時…

我要抓json物件的值…似乎應該要抓未經瀏覽器處理過的html降子…

原本的 {"msg_html":"hihi <img src=\"xx.jpg\" />"}

會被處理成 {"msg_html":"hihi <img src="\"xx.jpg\"">"}

有點讓人傷腦筯的說 >"<

--
※ 發信站: 批踢踢實業坊(ptt.cc) 
◆ From: 140.113.87.174

--
※ 發信站: 批踢踢實業坊(ptt.cc) 
◆ From: 140.113.87.174
→ TonyQ:手動把 " 濾掉就好了
→ TonyQ:不過你的問題感覺不是你描述的這麼單純
→ grassboy2:嗯嗯…怎樣的狀況下要濾、怎樣的狀況下不濾…感覺要查到
→ grassboy2:瀏覽器所有"修正"的原則後才能進行處理>"<
→ grassboy2:目前的想法是…乖乖在同個domain用ajax的方式直接抓網站
→ grassboy2:吐給我的plain text…這樣就不會經過瀏覽器修正了…
→ heyyosweet:json response 簡易編碼一下到script端再解碼..