029.浏览器自动化-抓取#document下的内容

时间：2024-10-24 07:06:38

一、iframe下的#document是什么

  • #document 是一个特殊的 HTML 元素，表示 <iframe> 元素内部的文档对象。
  • 当你在 HTML 页面中嵌入一个 <iframe> 元素时，浏览器会创建一个新的文档对象来表示 <iframe> 内部的内容。这 个文档对象就是 #document。

二、如何获取#document下的内容

1. 使用 contentDocument 属性
var iframe = document.getElementById('myIframe');
var iframeDocument = iframe.contentDocument;
// 现在可以访问 iframe 文档中的元素了
var heading = iframeDocument.getElementsByTagName('h1')[0];
console.log(heading.textContent);
2. 使用 contentWindow.document
var iframe = document.getElementById('myIframe');
var iframeDocument = iframe.contentWindow.document;
// 访问 iframe 文档中的元素
var heading = iframeDocument.getElementsByTagName('h1')[0];
console.log(heading.textContent);

注意：如果 iframe 加载的页面与父页面不同源（即协议、域名或端口任一不同），则出于安全考虑，浏览器的同源政策会阻止你访问 iframe 的内容。这种情况下，contentDocument会返回null。

三、如何获取跨域iframe的#document里的内容

  • 网络上有其他解决方案，这里我提供一个修改chromium源码的方案。
  • 这里假设你已经可以熟练编译chromium源码。
1.找到源码：
  • 打开：\third_party\blink\renderer\core\html\html_iframe_element.idl 
[CheckSecurity=ReturnValue] readonly attribute Document? contentDocument;
2.替换为：
//[CheckSecurity=ReturnValue] readonly attribute Document? contentDocument;
readonly attribute Document? contentDocument;

注意，这里就是把[CheckSecurity=ReturnValue]这段注释掉了，意思是忽略掉安全隔离。

3.编译：
ninja -C out/Default chrome
4.启动时加上参数（必须）
--disable-site-isolation-trials

操作完后，就可以发现，跨域iframe的#document里的内容也可以获取到啦。

四、风险

  • 1.取消跨域隔离有一定安全风险。
  • 2.有些站会做安全隔离检测，可能会被识别到。

如果有更好方案，请留言哈。

相关文章