Tampermonkey中GM_xmlhttpRequest与fetch请求差异分析
2025-06-12 23:21:42作者:瞿蔚英Wynne
背景介绍
Tampermonkey作为一款流行的用户脚本管理器,提供了GM_xmlhttpRequest API来实现跨域请求功能。然而,在实际使用中,开发者可能会发现GM_xmlhttpRequest与原生fetch API在某些场景下表现不一致,特别是在处理POST请求时。
问题现象
在Unsplash.com网站的实际案例中,开发者发现使用GM_xmlhttpRequest发送POST请求时返回403错误,而使用原生fetch API却能正常工作。经过深入排查,发现主要差异在于请求头中的Referer字段。
技术分析
1. Referer头字段的重要性
Referer是HTTP请求中的一个重要头字段,它指示了请求来源页面的URL。许多网站会利用这个字段进行安全验证,防止CSRF攻击或确保请求来自预期的页面。
2. GM_xmlhttpRequest的默认行为
Tampermonkey的GM_xmlhttpRequest在设计上出于安全考虑,默认不会自动添加Referer头字段。这是因为:
- 脚本可能在任何页面运行,无法确定合适的Referer值
- 避免意外泄露用户浏览历史
- 提供更可控的请求环境
3. fetch API的默认行为
相比之下,原生fetch API会自动添加Referer头字段,其值为当前页面的URL。这种行为更符合常规网页请求的模式,但可能带来隐私和安全方面的考虑。
解决方案
当需要在Tampermonkey脚本中模拟浏览器原生行为时,可以手动添加Referer头:
GM_xmlhttpRequest({
method: "POST",
url: "https://example.com/api",
headers: {
"Referer": location.href,
"Content-Type": "application/json"
},
data: JSON.stringify({key: "value"}),
onload: function(response) {
console.log(response);
}
});
最佳实践建议
- 明确设置必要头字段:特别是Content-Type和Referer等关键头字段
- 保持与目标API的一致性:观察浏览器原生请求的头字段设置
- 考虑安全因素:谨慎处理可能包含敏感信息的头字段
- 测试验证:使用开发者工具比较请求差异
- 错误处理:对403等状态码进行专门处理
总结
Tampermonkey的GM_xmlhttpRequest与原生fetch API在设计理念上存在差异,这导致了它们在头字段处理上的不同行为。理解这些差异有助于开发者编写更健壮的用户脚本。在实际开发中,应根据目标API的要求和安全性考虑,合理配置请求参数,确保脚本的可靠运行。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
893
676
暂无简介
Dart
802
199
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
350
203
昇腾LLM分布式训练框架
Python
118
147
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781