Получить необработанный контент страницы с PhantomJS

Question

Можно ли получить необработанный HTML-код с веб-страницы, используя PhantomJS, перед выполнением любого javascript.

Следующий скрипт возвращает HTML после того, как все скрипты загружены и выполнены.

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

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

Есть ли способ получить доступ также к первоисточнику страницы?

Answer 1

DOMContentLoaded - самое раннее событие, которое запускается при загрузке страницы, но в вашем случае кажется, что уже слишком поздно, потому что JavaScript может быть выполнен до того, как DOMContentLoaded запущен (подумайте <script>doSomething();</script>).

Следующей идеей будет запустить setInterval(check, 5); где check пытается определить, полностью ли загружен исходный HTML, но это не гарантирует, что другой JavaScript уже не был запущен, и невозможно определить, загружена ли страница, потому что page.content всегда включает </body></html>,

Очевидное решение - полностью отключить JavaScript page.settings.javascriptEnabled = false;, но если вы сделаете это, вы больше не сможете получить доступ к DOM. Единственный способ получить доступ к нему, будет через page.content или аналогичные свойства.

Если вам нужен только исходный код страницы, не используйте PhantomJS для этого. Есть много решений для этого, таких как cURL.

Answer 2

Это можно сделать через page.plainText:

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