抓取页面内的所有文本内容

 1 // *
 2 // * 抓取html页面body中所有文本信息
 3 // * return string[]
 4 // * /
 5 function getAllText() {
 6     alert("调用了getAllText()函数！");
 7     // 直接获取所有body中的dom对象
 8     var allDoms = document.body.getElementsByTagName('*');
 9     
10     // 定义数组用于返回
11     var array = [];
12     
13     // 循环所有dom对象进行处理
14     for (var i = 0; i < allDoms.length; i++) {
15     
16         // 取出当前dom对象的html信息
17         var html = allDoms[i].innerHTML;
18         // 取出当前dom对象的所有子对象children
19         var childrenDoms = allDoms[i].children;
20         
21         for (var j = 0; j < childrenDoms.length; j++) {
22             // 循环所有子对象，并将子对象的内容从html中移除
23             html = html.replace(childrenDoms[j].outerHTML, '');
24         }
25         
26         // 如果html还剩余内容则继续处理
27         if (html) {
28             // 利用正则表达式去除多余内容
29             // 四个正则表达式分别取出内容为：    
30             // 1:样式内容<style>*</style>；  
31             //  2: 脚本内容 <script>*</script>    
32             //  3:html标签内容 <*>    
33             //  4:所有不可见字符，例如 \r,\n,\t等等
34             // 风险： 如果文本内容中也有<xxx>，也会被剔除，暂时没有解决方案，如果不剔除html标签内容会有很多无用数据
35             html = html.replace(/<style.*?>.*?<\/style>/ig, '').replace(/<script.*?>.*?<\/script>/ig, '').replace(/<\/?[^>]*>/g, '').replace(/\s/g, '');
36             if (html) {
37                 // 将字符筛选完毕后如果还有剩余内容则放入结果数组中
38                 array.push(html);
39             }
40         }
41     }
42     return array;
43 }