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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00