使用 PhantomJS 获取原始页面内容

Question

是否可以在执行任何 javascript 之前使用 PhantomJS 从网页获取原始 html。

以下脚本在加载并执行所有脚本后返回 html。

var webPage = require('webpage');
var page = webPage.create();

page.open('http://whosebug.com', function (status) {
    var content = page.content;
    console.log('Content: ' + content);
    phantom.exit();
});

有没有办法访问页面的初始源？

Answer 1

DOMContentLoaded 是页面加载时触发的最早事件，但在您的情况下似乎已经太晚了，因为 JavaScript 可以在 [=26= 之前执行]ContentLoaded 被触发（认为 <script>doSomething();</script>）。

下一个想法是运行 setInterval(check, 5); 其中 check 尝试确定初始 HTML 是否已完全加载，但这并没有 gua运行tee 没有其他 JavaScript 已经运行并且无法检测页面是否已加载，因为 page.content 总是包含 </body></html>.

显而易见的解决方案是使用 page.settings.javascriptEnabled = false; 完全禁用 JavaScript，但如果这样做，您将无法再访问 DOM。访问它的唯一方法是通过 page.content 或类似的属性。

如果您只需要页面源代码，请不要为此使用 PhantomJS。有很多解决方案，例如 cURL。

Answer 2

可以通过 page.plainText:

var page=require('webpage').create();
page.onLoadFinished=function(status) {
    if(status=='success') {
        console.log(page.plainText);
    }
}
page.load('http://whosebug.com');

使用 PhantomJS 获取原始页面内容

Get the raw page content with PhantomJS

javascript

phantomjs

view-source