如何过滤页面源以获取纯HTML-无内容（仅标签）

Question

有谁知道如何使用JavaScript获得给定网页的纯HTML结构（无内容）？

我正在PhantomJS中尝试这样做，它提供了两个属性（page.content和page.plainText）-第一个保存网页的内容（带有HTML元素标签），第二个保存不带任何HTML标签的内容。 不幸的是，没有这样的属性可以保存纯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，但是它没有按我期望的那样工作。

Answer 1

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

如果要获取纯html，则可以使用递归函数来解析整个html结构并创建虚拟DOM树，然后输出其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);