/* 在项目里引用了mshtml.dll,并且引用命名空间:using mshtml; 首先,参数html就是html文本内容(里面有markup标记和显示文本等等) 其次,getHtmlDisplayContent这个函数就是获取html里浏览器上可看到的内容,即从源码中取出显示文本。 最后,traverseNodes是个人写的一个遍历各个节点的一个小小递归程序,没考虑效率什么的,只是想知道怎么使用IHtmlDocument2和IHtmlDocument3接口 Note:当html文档不规范时,比如在<!Document....之前还有别的标记或者符号时,加载工作受到严重影响,此时估计是解析不出来
了,我开始还不知道为什么解析有些html时卡住了,原来是因为这些html文档在html标记前有\n\n\n....等。。。 */ private static string getHtmlDisplayContent(string html) { string cont = ""; mshtml.HTMLDocumentClass oc = new mshtml.HTMLDocumentClass(); mshtml.IHTMLDocument2 doc2 = oc; doc2.write(html); mshtml.IHTMLDocument3 HTMLDocument = (mshtml.IHTMLDocument3)doc2; traverseNodes(HTMLDocument.documentElement, ref cont); //mshtml.IHTMLTitleElement title = (mshtml.IHTMLTitleElement)doc2.title; /* cont += doc2.title.ToString(); mshtml.IHTMLBodyElement body = (mshtml.IHTMLBodyElement)doc2.body; if (body.text!=null) cont += body.text.ToString(); * */ doc2.close(); return cont; } private static void traverseNodes(mshtml.IHTMLElement parentNode,ref string cont) { if (parentNode.innerText!=null) cont += parentNode.innerText; mshtml.IHTMLElementCollection nodes = (IHTMLElementCollection)parentNode.children; IEnumerator ienum= nodes.GetEnumerator(); while (ienum.MoveNext()) { IHTMLElement node = (IHTMLElement)ienum.Current; traverseNodes(node,ref cont); } }
|