作者grassboy2 (活力花俏草兒仔政﹞O花俏)
看板Ajax
標題[請益] 如何抓取網頁"純"原始碼？
時間Tue Nov 30 02:07:29 2010
※ [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
1F：→ TonyQ:手動把 " 濾掉就好了 11/30 11:31
2F：→ TonyQ:不過你的問題感覺不是你描述的這麼單純 11/30 11:32
3F：→ grassboy2:嗯嗯…怎樣的狀況下要濾、怎樣的狀況下不濾…感覺要查到 11/30 14:59
4F：→ grassboy2:瀏覽器所有"修正"的原則後才能進行處理>"< 11/30 15:00
5F：→ grassboy2:目前的想法是…乖乖在同個domain用ajax的方式直接抓網站 11/30 15:00
6F：→ grassboy2:吐給我的plain text…這樣就不會經過瀏覽器修正了… 11/30 15:01
7F：→ heyyosweet:json response 簡易編碼一下到script端再解碼.. 12/06 21:27