51 lines
2.3 KiB
Markdown
51 lines
2.3 KiB
Markdown
---
|
|
name: cdp_get_html
|
|
kind: function
|
|
lang: go
|
|
domain: browser
|
|
version: "1.0.0"
|
|
purity: impure
|
|
signature: "func CdpGetHTML(c *CDPConn) (string, error)"
|
|
description: "Retorna el HTML completo de la pagina actual (document.documentElement.outerHTML) via Runtime.evaluate. Captura el DOM vivo post-JavaScript, no el HTML fuente original."
|
|
tags: [chrome, cdp, browser, automation, html, dom, scraping, devtools, navegator]
|
|
uses_functions: [cdp_connect_go_browser, cdp_evaluate_go_browser]
|
|
uses_types: []
|
|
returns: []
|
|
returns_optional: false
|
|
error_type: "error_go_core"
|
|
imports: [fmt]
|
|
params:
|
|
- name: c
|
|
desc: "conexión CDP activa"
|
|
output: "string: HTML completo de la página (post-JavaScript)"
|
|
tested: true
|
|
tests: ["TestCdpGetHTML"]
|
|
test_file_path: "functions/browser/chrome_launch_test.go"
|
|
file_path: "functions/browser/cdp_get_html.go"
|
|
---
|
|
|
|
## Ejemplo
|
|
|
|
```go
|
|
conn, _ := CdpConnect(9222)
|
|
CdpNavigate(conn, "https://example.com")
|
|
CdpWaitElement(conn, "body", 5*time.Second)
|
|
|
|
html, err := CdpGetHTML(conn)
|
|
// html contiene el DOM completo con todos los cambios JS aplicados
|
|
```
|
|
|
|
## Cuando usarla
|
|
|
|
Cuando necesites el HTML completo del DOM vivo (post-JavaScript) para parsear/extraer con un selector externo, guardar un snapshot fiel, o alimentar un parser HTML. Ideal para scraping de SPAs (React, Vue, Angular) donde el HTML fuente original está vacío.
|
|
|
|
## Gotchas
|
|
|
|
- **Devuelve el HTML COMPLETO sin límite, a propósito**: no trunca ni resume. En páginas complejas pueden ser cientos de KB. Esto es deliberado: su trabajo es dar el DOM íntegro para parsing fiel, no un resumen.
|
|
- **NO usar para alimentar un LLM directamente**: el HTML crudo quema tokens y trae ruido (scripts, estilos inline, atributos). Para contexto de modelo usa `cdp_get_text` (innerText, con `maxBytes` opcional) o `cdp_perceive_outline` (outline accesible con #refs accionables). Reserva `cdp_get_html` para parsing programático.
|
|
- **Es el DOM actual, no el HTML fuente**: incluye los cambios que el JavaScript haya aplicado hasta el instante de la llamada. Si la página sigue hidratando, espera con `cdp_wait_idle` antes.
|
|
|
|
## Notas
|
|
|
|
A diferencia de `Page.getResourceContent`, esta funcion captura el estado actual del DOM incluyendo modificaciones hechas por JavaScript. Ideal para scraping de SPAs (React, Vue, Angular). El HTML retornado puede ser muy largo para paginas complejas.
|