029.爬虫专用浏览器-抓取跨域#document下的内容
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。