Violentmonkey 脚本开发中处理页面污染的原生方法问题
在用户脚本开发过程中,我们经常会遇到目标网站修改原生JavaScript方法的情况。最近在Violentmonkey用户脚本项目中,开发者遇到了一个典型问题:目标网站重写了JSON.parse方法,导致脚本无法正常使用原生JSON解析功能。
问题现象
当在特定网站(如某些漫画阅读网站)运行用户脚本时,脚本中调用的JSON.parse方法实际上执行的是被网站修改过的版本,而非浏览器原生的实现。这会导致预期外的解析错误或安全风险。
技术背景
现代网页可以自由修改全局对象和原生方法,这是JavaScript语言灵活性的体现,但也带来了潜在问题。浏览器扩展通常运行在以下几种上下文中:
- 页面上下文:与网页共享同一个JavaScript环境,能直接访问被修改后的方法
- 内容脚本上下文:部分浏览器扩展提供的隔离环境
- 扩展上下文:完全独立的安全沙箱
Violentmonkey默认将用户脚本注入到页面上下文中,以获得最大的兼容性和DOM访问能力,但这也意味着会继承网页对原生方法的修改。
解决方案
1. 使用内容脚本隔离
通过@inject-into content指令让脚本运行在隔离的内容脚本上下文中:
// ==UserScript==
// @inject-into content
// ==/UserScript==
这种方式的优点是简单直接,缺点是可能失去对某些页面特性的访问权限。
2. 早期捕获原生方法
结合@run-at document-start和同步页面模式:
// ==UserScript==
// @run-at document-start
// ==/UserScript==
const originalJSON = {...JSON}; // 在页面污染前保存副本
注意需要在Violentmonkey设置中启用"同步页面模式"。
3. 通过iframe获取干净环境
创建一个临时iframe来获取未被污染的原生方法:
const iframe = document.createElement('iframe');
document.documentElement.appendChild(iframe);
const cleanJSON = iframe.contentWindow.JSON;
iframe.remove();
更安全的方式是使用Violentmonkey提供的GM_addElement:
const iframe = GM_addElement('iframe');
const cleanJSON = iframe.contentWindow.JSON;
iframe.remove();
进阶讨论
跨浏览器兼容性
需要注意的是,iframe解决方案在Firefox中移除iframe时可能会遇到"can't access dead object"错误,这是Firefox安全模型的特点。在实际开发中需要添加适当的错误处理。
未来解决方案
ECMAScript标准中的隔离环境API将提供更优雅的隔离环境创建方式,但目前浏览器支持有限。
最佳实践建议
- 优先考虑使用内容脚本隔离方案
- 对于必须访问页面上下文的场景,采用早期捕获策略
- 谨慎使用iframe方案,特别是需要跨浏览器支持的脚本
- 始终考虑错误处理,增强脚本的健壮性
通过理解这些技术原理和解决方案,开发者可以更好地应对网页环境中的各种特殊情况,编写出更可靠的用户脚本。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00