Tampermonkey中GM_xmlhttpRequest方法支持的HTTP方法详解
在Tampermonkey脚本开发中,GM_xmlhttpRequest是一个非常重要的API,它允许用户脚本发起跨域HTTP请求。然而,官方文档中关于该API支持的HTTP方法描述存在不完整的情况,这可能导致开发者错过一些有用的功能。
官方文档的局限性
根据Tampermonkey官方文档,GM_xmlhttpRequest的method参数仅列出了GET、HEAD和POST三种HTTP方法。这种描述方式容易让开发者误以为这是Tampermonkey支持的全部HTTP方法,从而限制了开发者在脚本中使用更丰富的HTTP语义。
实际支持的方法
经过实际测试和技术验证,GM_xmlhttpRequest实际上支持更广泛的HTTP方法,包括但不限于:
- GET - 获取资源
- HEAD - 获取资源头信息
- POST - 创建资源
- PUT - 更新资源
- DELETE - 删除资源
- PATCH - 部分更新资源
- OPTIONS - 获取服务器支持的HTTP方法
这些方法与现代Web开发中常用的RESTful API设计模式完全兼容,为Tampermonkey脚本提供了更强大的与Web服务交互的能力。
技术实现原理
GM_xmlhttpRequest底层基于浏览器的XMLHttpRequest或Fetch API实现。现代浏览器对这些HTTP方法都有良好的支持,因此Tampermonkey能够透明地将这些方法传递给底层API。这种设计使得用户脚本能够充分利用现代Web技术栈的全部能力。
使用建议
开发者在使用GM_xmlhttpRequest时,可以放心地使用各种标准的HTTP方法,而不仅限于文档中列出的三种。特别是在开发与RESTful API交互的脚本时,正确使用PUT、DELETE等方法可以使代码更加语义化,也更符合API设计规范。
最佳实践
- 对于只读操作,优先使用GET方法
- 创建资源时使用POST方法
- 更新完整资源时使用PUT方法
- 删除资源时使用DELETE方法
- 部分更新时使用PATCH方法
- 需要预检请求时使用OPTIONS方法
注意事项
虽然Tampermonkey支持这些HTTP方法,但实际使用时仍需注意:
- 目标服务器必须支持相应的HTTP方法
- 某些方法可能会触发CORS预检请求
- 在跨域请求时,服务器需要正确配置CORS头
- 某些老旧浏览器可能对非标准方法支持不完全
结论
Tampermonkey的GM_xmlhttpRequest实际上支持完整的HTTP方法集,这为开发者提供了更强大的Web请求能力。开发者不应局限于文档中列出的三种方法,而应根据实际需求选择合适的HTTP方法。这种灵活性使得Tampermonkey脚本能够更好地与现代Web服务和API集成。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust024
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00