Spaces:
Sleeping
Sleeping
| import * as cheerio from 'cheerio'; | |
| import { EXTERNAL_API_SERVICE } from '~/config'; | |
| import { extractCommentId } from '~/utils/comment'; | |
| /** | |
| * 处理文章的 html 内容 | |
| * @description 采用 cheerio 库解析并修改 html 内容 | |
| * @param rawHTML 公众号文章的原始 html | |
| * @param format 要处理的格式(默认html) | |
| * @remarks 服务端工具函数 | |
| */ | |
| export function normalizeHtml(rawHTML: string, format: 'html' | 'text' = 'html'): string { | |
| const $ = cheerio.load(rawHTML); | |
| const $jsArticleContent = $('#js_article'); | |
| // #js_content 默认是不可见的(通过js修改为可见)，需要移除该样式 | |
| $jsArticleContent.find('#js_content').removeAttr('style'); | |
| // 删除无用dom元素 | |
| $jsArticleContent.find('#js_top_ad_area').remove(); | |
| $jsArticleContent.find('#js_tags_preview_toast').remove(); | |
| $jsArticleContent.find('#content_bottom_area').remove(); | |
| // 删除所有 script 标签（在 #js_article 上下文中） | |
| $jsArticleContent.find('script').remove(); | |
| $jsArticleContent.find('#js_pc_qr_code').remove(); | |
| $jsArticleContent.find('#wx_stream_article_slide_tip').remove(); | |
| // 处理图片懒加载（全局处理所有 img） | |
| $('img').each((i, el) => { | |
| const $img = $(el); | |
| const imgUrl = $img.attr('src') || $img.attr('data-src'); | |
| if (imgUrl) { | |
| $img.attr('src', imgUrl); | |
| } | |
| }); | |
| if (format === 'text') { | |
| // 获取纯文本内容 | |
| const text = $jsArticleContent.text().trim().replace(/\n+/g, '\n').replace(/ +/g, ' '); | |
| // 分割成行 | |
| const lines = text.split('\n'); | |
| // 过滤掉全空白行（^\s*$ 表示行首到行尾全是空白字符） | |
| const filteredLines = lines.filter(line => !/^\s*$/.test(line)); | |
| // 重新连接行 | |
| return filteredLines.join('\n'); | |
| } else if (format === 'html') { | |
| // 获取修改后的 HTML | |
| let bodyCls = $('body').attr('class'); | |
| const pageContentHTML = $('<div>').append($jsArticleContent.clone()).html(); | |
| return `<!DOCTYPE html> | |
| <html lang="zh_CN"> | |
| <head> | |
| <meta charset="utf-8"> | |
| <meta http-equiv="Content-Type" content="text/html; charset=utf-8"> | |
| <meta http-equiv="X-UA-Compatible" content="IE=edge"> | |
| <meta name="viewport" content="width=device-width,initial-scale=1.0,maximum-scale=1.0,user-scalable=0,viewport-fit=cover"> | |
| <meta name="referrer" content="no-referrer"> | |
| <style> | |
| #js_row_immersive_stream_wrap { | |
| max-width: 667px; | |
| margin: 0 auto; | |
| } | |
| #js_row_immersive_stream_wrap .wx_follow_avatar_pic { | |
| display: block; | |
| margin: 0 auto; | |
| } | |
| #page-content, | |
| #js_article_bottom_bar, | |
| .__page_content__ { | |
| max-width: 667px; | |
| margin: 0 auto; | |
| } | |
| img { | |
| max-width: 100%; | |
| } | |
| .sns_opr_btn::before { | |
| width: 16px; | |
| height: 16px; | |
| margin-right: 3px; | |
| } | |
| </style> | |
| </head> | |
| <body class="${bodyCls}"> | |
| ${pageContentHTML} | |
| </body> | |
| </html> | |
| `; | |
| } else { | |
| throw new Error(`format not supported: ${format}`); | |
| } | |
| } | |
| /** | |
| * 验证文章的 html 内容是否下载成功，以及提取出 commentID | |
| * @param html | |
| * @return [状态，commentID/msg] 二元组 | |
| */ | |
| export function validateHTMLContent(html: string): ['Success' | 'Deleted' | 'Exception' | 'Error', string | null] { | |
| const $ = cheerio.load(html); | |
| const $jsArticle = $('#js_article'); | |
| const $weuiMsg = $('.weui-msg'); | |
| const $msgBlock = $('.mesg-block'); | |
| if ($jsArticle.length === 1) { | |
| // 成功 | |
| const commentID = extractCommentId(html); | |
| return ['Success', commentID]; | |
| } else if ($weuiMsg.length === 1) { | |
| // 失败，需要进一步判断失败类型 | |
| const msg = $('.weui-msg .weui-msg__title').text().trim().replace(/\n+/g, '').replace(/ +/g, ' '); | |
| if (msg && ['The content has been deleted by the author.', '该内容已被发布者删除'].includes(msg)) { | |
| return ['Deleted', null]; | |
| } else { | |
| return ['Exception', msg]; | |
| } | |
| } else if ($msgBlock.length === 1) { | |
| const msg = $msgBlock.text().trim().replace(/\n+/g, '').replace(/ +/g, ' '); | |
| return ['Exception', msg]; | |
| } else { | |
| return ['Error', null]; | |
| } | |
| } | |
| /** | |
| * 提取 window.cgiDataNew 所在脚本的代码 | |
| * @param html 文章的完整 html 内容 | |
| * @return 脚本代码 (纯代码，不含 <script> 标签) | |
| * @remarks 内部使用 cheerio 库进行解析，可运行在浏览器端和服务器端。 | |
| */ | |
| function extractCgiScript(html: string) { | |
| const $ = cheerio.load(html); | |
| const scriptEl = $('script[type="text/javascript"][h5only]').filter((i, el) => { | |
| const content = $(el).html() || ''; | |
| return content.includes('window.cgiDataNew = '); | |
| }); | |
| if (scriptEl.length !== 1) { | |
| console.warn('未找到包含 cgiDataNew 的目标 script'); | |
| return null; | |
| } | |
| return scriptEl.html()?.trim() || null; | |
| } | |
| /** | |
| * 从 html 中提取 cgiDataNew 对象 | |
| * @param html 文章的完整 html 内容 | |
| * @return window.cgiDataNew 对象，解析失败时返回 null | |
| */ | |
| function parseCgiDataNewOnClient(html: string): Promise<any> { | |
| const code = extractCgiScript(html); | |
| if (!code) { | |
| return Promise.resolve(null); | |
| } | |
| const iframe = document.createElement('iframe'); | |
| iframe.style.display = 'none'; | |
| iframe.srcdoc = `<script type="text/javascript">${code}</script>`; | |
| document.body.appendChild(iframe); | |
| return new Promise((resolve, reject) => { | |
| iframe.onload = function () { | |
| // @ts-ignore | |
| const data = iframe.contentWindow.cgiDataNew; | |
| // 用完后清理 | |
| document.body.removeChild(iframe); | |
| resolve(data); | |
| }; | |
| iframe.onerror = function (e) { | |
| reject(e); | |
| }; | |
| }); | |
| } | |
| /** | |
| * 从 html 中提取 cgiDataNew 对象 | |
| * @deprecated Cloudflare 平台禁止任何动态执行脚本，故本方法在 CF 平台无效 | |
| * @param html 文章的完整 html 内容 | |
| * @return window.cgiDataNew 对象，解析失败时返回 null | |
| */ | |
| function parseCgiDataNewOnServerDeprecated(html: string): Promise<any> { | |
| const code = extractCgiScript(html); | |
| if (!code) { | |
| return Promise.resolve(null); | |
| } | |
| // 1. 创建沙箱 | |
| const sandbox: any = { | |
| window: {}, | |
| console: { log: () => {}, error: () => {} }, // 可选：屏蔽 console | |
| // 如果脚本依赖其他全局，可在这里 mock（如 Date, Math 等已存在） | |
| }; | |
| sandbox.window = sandbox; // 关键：让 window.xxx 落入沙箱 | |
| // 2. 执行代码（new Function 比 eval 稍安全） | |
| const func = new Function('window', code); | |
| func(sandbox.window); | |
| return sandbox.cgiDataNew || sandbox.window?.cgiDataNew; | |
| } | |
| /** | |
| * 从 html 中提取 cgiDataNew 对象 | |
| * @param html 文章的完整 html 内容 | |
| * @return window.cgiDataNew 对象，解析失败时返回 null | |
| */ | |
| async function parseCgiDataNewOnServer(html: string): Promise<any> { | |
| const code = extractCgiScript(html); | |
| if (!code) { | |
| return Promise.resolve(null); | |
| } | |
| try { | |
| const data = await fetch(`${EXTERNAL_API_SERVICE}/api/tools/eval-js-code`, { | |
| method: 'POST', | |
| body: code, | |
| }).then(res => res.json()); | |
| if (data && data.executionError === null) { | |
| return data.window.cgiDataNew; | |
| } | |
| return null; | |
| } catch (error) { | |
| console.error(error); | |
| } | |
| return null; | |
| } | |
| /** | |
| * 从 html 中提取 cgiDataNew 对象 | |
| * @param html 文章的完整 html 内容 | |
| * @return window.cgiDataNew 对象，解析失败时返回 null | |
| */ | |
| export async function parseCgiDataNew(html: string): Promise<any> { | |
| if (process.client && typeof document === 'object') { | |
| return parseCgiDataNewOnClient(html); | |
| } else { | |
| return parseCgiDataNewOnServer(html); | |
| } | |
| } | |