Question

有人知道如何使用JavaScript获取给定网页（没有内容）的纯HTML结构吗？

我试图在PhantomJS中尝试这样做，它提供了两个属性（page.content和page.plainText） - 第一个保存网页内容（带有HTML元素标签），第二个保存内容任何HTML标签。遗憾的是，这种属性并不具备纯HTML结构。我试图通过使用git diff（page.content和page.plainText之间的差异）来获取它，但它没有像我期望的那样工作。

Answer 1

如果您想获取当前页面的HTML，则应使用document.getElementsByTagName('html')[0].innerHTML;。

如果你想获得纯HTML，你可以使用递归函数来解析整个html结构并创建虚拟DOM树，然后输出它的innerHTML。

var result = document.createElement('html');
var startNode = document.getElementsByTagName('html')[0];

function parser(node, target) {
   var nodes = node.childNodes;
   for(var i in nodes) {
      var currentNode = nodes[i];
      var nodeName = currentNode.nodeName;
      if(!nodeName || nodeName[0] == '#') continue;
      var newNode = document.createElement(nodeName);
      parser(currentNode, newNode);
      target.appendChild(newNode);
   }
}
parser(startNode, result);
console.log(result.innerHTML);

如何过滤页面源以获得纯HTML - 没有内容（仅限标签）

1 个答案: