Javascript：如何从网页中提取文本

Question

我希望能够将网页中的文本作为字符串提取出来。这个有可能实现吗？我是Javascript的新手。

例如：

var url = "http://en.wikipedia.org/wiki/Programming";
var result = url.getText();  <---- stores text as a string
document.write(result);

如何编写getText方法？可以使用整个HTML源代码（从中获取文本）或仅使用文本。我希望能够在Web浏览器内完成此操作。

我尝试了这个方法，我能够得到一个索引号：

var url = "http://www.youtube.com/results?search_query=cat&page=2";
var result;
function go(){
    result = url.search(/cat/i);
    document.write(result);
}

这给了我一个索引为44。这意味着可以阅读页面。我能否反过来输入索引以检索文本?

- Qwertyfshag

---

你的意思是整个HTML源代码？ - user1534664

你是想在网页浏览器内完成还是使用像Node.js或Rhino这样的服务器端JS引擎？ - psema4

为了解决跨域问题，运行代理服务是可行的吗？ - psema4

Answer 1

如果Ajax / 跨域情况对您不是问题，您可以使用以下方式提取网页的文本：

var el = document.body; // or some other element reference
var text = el.innerText || el.textContent;

如果您需要从与您的应用程序相同域中的页面读取文本，可以直接使用Ajax。

如果您需要从域外的页面读取文本，则需要跨越一些额外的障碍，例如设置代理服务器或处理CORS（http://en.wikipedia.org/wiki/Cross-origin_resource_sharing）。

- psema4

Answer 2

你最好使用更强大的服务器端语言来完成这个任务，而不是JavaScript。Python或PHP都是不错的选择。

- Rayshawn

---

JavaScript 也是一种服务器端语言；参见 http://en.wikipedia.org/wiki/Comparison_of_server-side_JavaScript_solutions。 - psema4

是的，但这并不是解析HTML的最佳选项，我认为Python会更好。 - Rayshawn

我过去用Perl来做这个，现在我用Node.js来做 - NPM有很多相关的模块。总有一天我会真正坐下来学习Python的 :) - psema4

我真的想在浏览器内完成它。浏览器扩展程序可以吗？ - Qwertyfshag

Answer 3

Ajax不支持跨域。您需要使用服务器端语言。

- Danny Hong