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
推 knuckles:改用 'hihi <img src="xx.jpg" />' ? 11/30 02:22
→ grassboy2:json的內容不是我們可以控制的說@@~那是別的網站的 11/30 02:27
推 LPH66:你應該有辦法在這些 HTML 進入 DOM 前就抓到它吧? 11/30 15:49
→ LPH66:不然我搞不太懂你的問題是哪來的... 11/30 15:50