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。
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