如何使用MSHTML组件获取HTML DOM叶子节点的文本

Sime507 2010-04-15 01:46:11
比如有个网页的DOM结构：
<TABLE>
<TBODY>
<TR>
<TD>
<A ***>***</A>
文本1
<A ***>***</A>
文本2<br>
文本3<br>
<A ***>***</A>
我使用的是MSHTML组件，想分别获取文本1、文本2、文本3,有没有比较方便快捷的方法？文本2、文本3一次获取也可以。

我可以使用get_innerText获取<TD>节点的所有文本，也可以获取每个<A>节点的文本，就是没找到获取文本节点文本的方法。
...全文
631 23 打赏 收藏 转发到动态 举报
写回复
用AI写文章
23 条回复
切换为时间正序
请发表友善的回复…
发表回复
尹成 2010-04-22
  • 打赏
  • 举报
 回复
IHTMLDocument2* pDoc;
BSTR tagName, tdtag, itext;
tdtag = SysAllocString( L"TD");
SAFEARRAY* psa = SafeArrayCreateVector(VT_VARIANT, 0, 1);
if (CoInitializeEx( 0L, COINIT_MULTITHREADED) == S_OK)
__try{
if (CoCreateInstance( CLSID_HTMLDocument, 0L, CLSCTX_INPROC, IID_IHTMLDocument2, (void**)&pDoc) == S_OK)
__try{
VARIANT *param;
SafeArrayAccessData(psa, (LPVOID*)¶m);
param->vt = VT_BSTR;
param->bstrVal = SysAllocString(
L"<!doctype html><html><head><title>None</title></head>\
<body>\
<table>\
<tr>\
<th>Header</th>\
<td>Text1</td>\
<td>Text2</td>\
</tr>\
</table>\
</body>\
</html>");
if ((pDoc->write( psa) != S_OK)&&(pDoc->close() != S_OK))
return 1;

IDispatch *all, *disp;
IHTMLElement *body, *item, *td;
IHTMLElementCollection *alls, *tds;
IHTMLElement2 *tbl2;
long alen, tdlen;
pDoc->get_body( &body);
body->get_all( &all);
body->Release();
body = 0L;
all->QueryInterface( IID_IHTMLElementCollection, (void**)&alls);
all->Release();
all = 0L;
alls->get_length( &alen);
VARIANT dummy;
dummy.vt = VT_I4;
for( int ai = 0; ai < alen; ai++)
{
dummy.intVal = ai;
alls->item( dummy, dummy, (IDispatch**)&disp);
if (disp)
{
disp->QueryInterface( IID_IHTMLElement, (void**)&item);
if (item){
disp->Release();
disp = 0L;
item->get_tagName( &tagName);
if (!lstrcmpW( tagName, L"TABLE")){//if the element is a table at the root
item->QueryInterface( IID_IHTMLElement2, (void**)&tbl2);
item->Release();
item = 0L;
if(tbl2){
tbl2->getElementsByTagName( tdtag, &tds);//get the tr
if (tds){
tds->get_length( &tdlen);
for (int tri = 0; tri < tdlen; tri++){
dummy.intVal = tri;
tds->item( dummy, dummy, &disp);
if( disp){
disp->QueryInterface( IID_IHTMLElement, (void**)&td);
if(td){
td->get_innerText( &itext);

wprintf( L"%s\r\n", (LPWSTR)itext);

SysFreeString( itext);
td->Release();
td = 0L;
}
disp->Release();
disp = 0L;
}else{
disp->Release();
disp = 0L;
}
}
tds->Release();
tds = 0L;
}
tbl2->Release();
tbl2 = 0L;
}else{
item->Release();
item = 0L;
}
}else{
item->Release();
item = 0L;
}
}else{
disp->Release();
disp = 0L;
}
}else{
disp->Release();
disp = 0L;
}
}
if (alls){
alls->Release();
alls = 0L;
}
}__finally
{
pDoc->Release();
pDoc = 0L;
}
}__finally
{
SafeArrayDestroy( psa);
SysFreeString( tdtag);
CoUninitialize();
}
return 0;
skyxie 2010-04-21
  • 打赏
  • 举报
 回复
[Quote=引用 19 楼 sime507 的回复:]
这种方法确实可行，但现在又有一问题：
IHTMLDOMTextNode有两个函数可以获取文字，get_data、toString。当字符串中有" "时，获取的都不是空格，而是'?'，怎么解决这个问题？
[/Quote]

这个估计是页面编码的原因，如果编码转换正确，应该显示的就是" "
你可以用IHTMLDocument2::get_charset得到页面编码

另外，你可以试试 IHTMLDOMTextNode 上 QI IHTMLElement看能否成功 IHTMLElement::innerText不会是乱码的

ps,新问题请开新帖哈～ ^_^
butwang 2010-04-21
  • 打赏
  • 举报
 回复
IHTMLDOMNode::get_nodeValue(VARIANT *p);
Sime507 2010-04-20
  • 打赏
  • 举报
 回复
[Quote=引用 17 楼 skyxie 的回复:]
1） 得到 td 的IHTMLElement
2） IHTMLElement QI 得到 IHTMLDOMNode
3) IHTMLDOMNode::get_childNodes 得到 IDispatch
4） IDispatch QI 得到 IHTMLDOMChildrenCollection
5） 遍历，通过 IHTMLDOMChildrenCollection::item 得到IDispatch
6） 该IDispatch上QI IHTMLDOMTextNode 即可

[/Quote]

这种方法确实可行，但现在又有一问题：
IHTMLDOMTextNode有两个函数可以获取文字，get_data、toString。当字符串中有" "时，获取的都不是空格，而是'?'，怎么解决这个问题？
King030609 2010-04-19
  • 打赏
  • 举报
 回复
　　做网站就像做爱，首先你要懂得“How To Make Love”，简称HTML ；

　　如果觉得你对HTML已经精通了，你应该学学3P（ASP，PHP，JSP) 。。。
skyxie 2010-04-19
  • 打赏
  • 举报
 回复
[Quote=引用 13 楼 sime507 的回复:]
谢谢laiyiling的回复。你的方法不适合我的情况，我要解析的网页格式是这样的：
<TABLE>
<TBODY>
<TR>
<TD>
<A href="http://www.baidu.com">百度</A>
文本1<BR>
<A href="http://www.sina.com.cn">新浪</A>
文本2<BR>
文本3<BR>
……
[/Quote]

你这个页面确实比较特殊，试试这样：

1） 得到 td 的IHTMLElement
2） IHTMLElement QI 得到 IHTMLDOMNode
3) IHTMLDOMNode::get_childNodes 得到 IDispatch
4） IDispatch QI 得到 IHTMLDOMChildrenCollection
5） 遍历，通过 IHTMLDOMChildrenCollection::item 得到IDispatch
6） 该IDispatch上QI IHTMLDOMTextNode 即可
chufeifei 2010-04-19
  • 打赏
  • 举报
 回复
建议楼主把文本1单独用一个SPAN标签包含起来，最后得到这个SPAN标签的Element，其他两个也一样
Sime507 2010-04-17
  • 打赏
  • 举报
 回复
http://hi.csdn.net/attachment/201004/16/1534521_127143371534AU.jpg
Sime507 2010-04-17
  • 打赏
  • 举报
 回复
IE打开网页后按F12，分析的DOM树
SullenSun 2010-04-16
  • 打赏
  • 举报
 回复
[Quote=引用 7 楼 laiyiling 的回复:]

C/C++ code

IHTMLDocument2* pDoc;
BSTR tagName, tdtag, itext;
tdtag = SysAllocString( L"TD");
SAFEARRAY* psa = SafeArrayCreateVector(VT_VARIANT, 0, 1);
if (CoInitializeEx( 0L, COINIT……
[/Quote]
up。。。
Sime507 2010-04-16
  • 打赏
  • 举报
 回复
谢谢laiyiling的回复。你的方法不适合我的情况，我要解析的网页格式是这样的：
<TABLE>
<TBODY>
<TR>
<TD>
<A href="http://www.baidu.com">百度</A>
文本1<BR>
<A href="http://www.sina.com.cn">新浪</A>
文本2<BR>
文本3<BR>
<A href="http://www.neteays.com">网易</A>
</TD>
</TR>
</TBODY>
<TABLE>
百度、文本1、新浪、文本2、文本3、网易，需要分别解析出来。你的方法会把他们一起提取出来。
文本1、文本2、文本3是<TD>的文字，并不是一个节点，所以，不可能有对应的IHTMLElement。
Eleven 2010-04-16
  • 打赏
  • 举报
 回复
[Quote=引用 7 楼 laiyiling 的回复:]
C/C++ code

IHTMLDocument2* pDoc;
BSTR tagName, tdtag, itext;
tdtag = SysAllocString( L"TD");
SAFEARRAY* psa = SafeArrayCreateVector(VT_VARIANT, 0, 1);
if (CoInitializeEx( 0L, CO……
[/Quote]
up。。。
Kudeet 2010-04-15
  • 打赏
  • 举报
 回复 


IHTMLDocument2* pDoc;

	BSTR tagName, tdtag, itext;

	tdtag = SysAllocString( L"TD");

	SAFEARRAY* psa = SafeArrayCreateVector(VT_VARIANT, 0, 1);

	if (CoInitializeEx( 0L, COINIT_MULTITHREADED) == S_OK)

	__try{

		if (CoCreateInstance( CLSID_HTMLDocument, 0L, CLSCTX_INPROC, IID_IHTMLDocument2, (void**)&pDoc) == S_OK)

		__try{

			VARIANT *param;

			SafeArrayAccessData(psa, (LPVOID*)¶m);

			param->vt = VT_BSTR;

			param->bstrVal = SysAllocString(

				L"<!doctype html><html><head><title>None</title></head>\

					<body>\

						<table>\

							<tr>\

								<th>Header</th>\

								<td>Text1</td>\

								<td>Text2</td>\

							</tr>\

						</table>\

					</body>\

				</html>");

			if ((pDoc->write( psa) != S_OK)&&(pDoc->close() != S_OK))

				return 1;



			IDispatch *all, *disp;

			IHTMLElement *body, *item, *td;

			IHTMLElementCollection *alls, *tds;

			IHTMLElement2 *tbl2;

			long alen, tdlen;

			pDoc->get_body( &body);

			body->get_all( &all);

			body->Release();

			body = 0L;

			all->QueryInterface( IID_IHTMLElementCollection, (void**)&alls);

			all->Release();

			all = 0L;

			alls->get_length( &alen);

			VARIANT dummy;

			dummy.vt = VT_I4;

			for( int ai = 0; ai < alen; ai++)

			{

				dummy.intVal = ai;

				alls->item( dummy, dummy, (IDispatch**)&disp);

				if (disp)

				{

					disp->QueryInterface( IID_IHTMLElement, (void**)&item);

					if (item){

						disp->Release();

						disp = 0L;

						item->get_tagName( &tagName);

						if (!lstrcmpW( tagName, L"TABLE")){//if the element is a table at the root

							item->QueryInterface( IID_IHTMLElement2, (void**)&tbl2);

							item->Release();

							item = 0L;

							if(tbl2){

								tbl2->getElementsByTagName( tdtag, &tds);//get the tr

								if (tds){

									tds->get_length( &tdlen);

									for (int tri = 0; tri < tdlen; tri++){

										dummy.intVal = tri;

										tds->item( dummy, dummy, &disp);

										if( disp){

											disp->QueryInterface( IID_IHTMLElement, (void**)&td);

											if(td){

												td->get_innerText( &itext);

												

												wprintf( L"%s\r\n", (LPWSTR)itext);

												

												SysFreeString( itext);

												td->Release();

												td = 0L;

											}

											disp->Release();

											disp = 0L;

										}else{

											disp->Release();

											disp = 0L;

										}

									}

									tds->Release();

									tds = 0L;

								}

								tbl2->Release();

								tbl2 = 0L;

							}else{

								item->Release();

								item = 0L;

							}

						}else{

							item->Release();

							item = 0L;

						}

					}else{

						disp->Release();

						disp = 0L;

					}

				}else{

					disp->Release();

					disp = 0L;

				}

			}

			if (alls){

				alls->Release();

				alls = 0L;

			}

		}__finally

		{

			pDoc->Release();

			pDoc = 0L;

		}

	}__finally

	{

		SafeArrayDestroy( psa);

		SysFreeString( tdtag);

		CoUninitialize();

	}

	return 0;
butwang 2010-04-15
  • 打赏
  • 举报
 回复
遍历<TD>节点的集合 IHTMLDOMChildrenCollection，这个集合包括HTML Elements and TextNode objects 元素
Sime507 2010-04-15
  • 打赏
  • 举报
 回复
麻烦小胖贴个例子的关键代码给我看看。
不要告诉我用IHTMLElement::innerText啊，文本1、文本2、文本3的父节点都是<TD>，这三个文本节点没有对应的IHTMLElement，而我需要分别提取这几个文本，所以也不能用他们的父节点提取。
liumenghappy 2010-04-15
  • 打赏
  • 举报
 回复
这个网上有很多例子的，lz下个看看就明白了
【面试一】
#2021·HTML5大前端企业面试真题宝典 第一部分：HTML5+CSS3 1、父元素和子元素宽高不固定，如何实现水平垂直居中 第一种方法 <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta http-equiv="X-UA-Compatible" content="IE=edge"> <meta name="viewport"
前端面试笔记随笔---kalrry
面试笔记---kalrry第一部分：HTML5+CSS31、父元素和子元素宽高不固定，如何实现水平垂直居中2、分别实现骰子中的'一点' 和 '三点' 的布局。3、简述选择器~和+的区别。4、简述box-sizing的有效值以及所对应的盒模型规则。**5、flex中元素的margin是否会合并？**6、简述align-items和align-content的区别。7、简述data:属性的用法（如何设置，如何获取），有何优势？8、简述 title与h1的区别，b与strong的区别，i与em的区别。9、什么是标
css简析
css选择器 标签选择器：针对一类标签（如：body,div,p,ul,li） ID选择器：针对某一个特定的标签使用（如：id=“demo”） 类选择器：针对你想要的所有标签使用（如：class=“demo”） 通用选择器（通配符）：针对所有的标签都适用（如：*号） 后代选择器（继承选择器）：用空格隔开（如：div p,注意两选择器用空格键分开） 交集选择器（组合选择器）：（如：.head .head_logo,注意两选择器用空格键分开）。 并集选择器：（群组选择器）：用逗号隔开 伪类选择器：（如：就是链
前端基础面试题
主要分成两部分：渲染引擎(Layout Engine或Rendering Engine)和js引擎渲染引擎：负责取得网页的内容（HTML、XML、图像等等）、整理讯息（例如加入CSS等），以及计算网页的显示方式，然后会输出至显示器或打印机。浏览器的内核的不同对于网页的语法解释会有不同，所以渲染的效果也不相同。js引擎：解析和执行JavaScript来实现网页的动态效果边距重叠：两个box如果都设置了边距，那么在垂直方向上，两个box的边距会发生重叠，以绝对值大的那个为最终结果显示在页面上。
2023Web前端开发八股文&面试题（万字系列）——这篇就够了！
2023Web前端开发面试题&八股文万字长篇，涵盖html、css、javascript、浏览器相关、网络传输、算法、Vue、React、打包工具……
HTML/XML

3,055

社区成员

8,066

社区内容

发帖
与我相关
我的任务
社区描述
VC/MFC HTML/XML
社区管理员
  • HTML/XML社区
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章