DOM应用---遍历网页中的元素

之乎者也 · 发表于 2012-6-5 20:43:05

一、摘要
　　在我们编写的程序中，如果想要实现对浏览器打开的网页进行监视、模拟操纵、动态提取用户输入、动态修改......等功能，那么请你抽出宝贵的时间，继续往下阅读。本文介绍的知识和示例程序都是围绕如何遍历 HTML 中的表单(form)并枚举出表单域的属性为目标的，对于网页中的其它元素，比如图象、连接、脚本等等，应用同样的方法都可以轻松实现。

二、网页的文档层次结构
　　IE 浏览器，采用 DOM（文档对象模型）来管理网页的数据。它通过一个容器（IWebBrowser2/IHTMLWindow2）来装载网页文档（IHTMLDocument2），而一个文档，又可以由 0 或多个贞(frame)组成，管理这些贞的接口叫“框架集合（IHTMLFramesCollection2）”,而每个贞的容器又是IHTMLWindow2，和IWebBrowser2一样，它也装载着各自的文档（IHTMLDocument2）。因此，我们的第一个任务，就是想方设法能够得到IHTMLDocument2的接口。因为文档可能包含贞，而贞又包含着子文档，子文档可能再包含贞......，如此要得到所有的文档，这里有一个递归遍历的处理过程。
　　得到文档（IHTMLDocument2）后，下一步任务就是要设法取得表单了（IHTMLFormElement）。因为在一个文档中可以包含 0 或多个表单(form)，而管理这些表单的又是一个表单集合（IHTMLElementCollection），所以必须先得到集合，然后再枚举出所有的表单条目了。
　　得到表单（IHTMLFormElement）后，接下来的事情就简单了，逐个提取表单中的元素（也叫表单域 IHTMLInputElement）就可以读写这些域的属性了。
　　说了半天，我估计初次接触的朋友一定没有听懂:( 呵呵，还是用图的方式表示一下吧，这样比较清晰一些。

昨天 22:37 上传
下载附件 (87.8 KB)

三、程序实现

<1> 取得 IHTMLDocument2 的接口指针。根据IE浏览器的运行方式，有多种不同的方式可以获取文档指针。
  <1.1> 如果你在程序中使用MFC的 CHtmlView 视来浏览网页。
      取得文档的方法最简单，调用 CHtmlView::GetHtmlDocument() 函数。
  <1.2> 如果你的程序中使用了“Web 浏览器” 的ActiveX 控件。
      取得文档的方法也比较简单，调用 CWebBrowser2::GetDocument() 函数。
  <1.3> 如果你的程序是用 ATL 写的 ActiveX 控件。
      那么需要调用 IOleClientSite::GetContainer 得到 IOleContainer 接口，然后就可以通过 QueryInterface() 查询得到 IHTMLDocument2 的接口。主要代码如下：

CComPtr < IOleContainer > spContainer;
m_spClientSite->GetContainer( &spContainer );
CComQIPtr < IHTMLDocument2 > spDoc = spContainer;
if ( spDoc )
{
   // 已经得到了 IHTMLDocument2 的接口指针
}

  <1.4> 如果你的程序是用 MFC 写的 ActiveX 控件。
      那么需要调用 COleControl::GetClientSite() 得到 IOleContainer 接口，然后的操作和<1.3>是一致的了。
  <1.5> IE 浏览器作为独立的进程正在运行。
      每个运行的浏览器（IE 和资源浏览器）都会在 ShellWindows 中进行登记，因此我们要通过 IShellWindows 取得实例（示例程序中使用的就是这个方法）。主要代码如下：

#include < atlbase.h >
#include < mshtml.h >

void FindFromShell()
{
      CComPtr< IShellWindows > spShellWin;
      HRESULT hr = spShellWin.CoCreateInstance( CLSID_ShellWindows );
      if ( FAILED( hr ) ) return;

      long nCount=0;
      spShellWin->get_Count(&nCount); // 取得浏览器实例个数

      for(long i=0; i<nCount; i++)
   {
            CComPtr< IDispatch ><nCount; i++)
      {
            CComPtr< IDispatch ><nCount; i++)
   {
            CComPtr< IDispatch > spDisp;
            hr=spShellWin->Item(CComVariant( i ), &spDisp );
            if ( FAILED( hr ) ) continue;

            CComQIPtr< IWebBrowser2 > spBrowser = spDisp;
            if ( !spBrowser )    continue;

            spDisp.Release();
            hr = spBrowser->get_Document( &spDisp );
            if ( FAILED ( hr ) )  continue;

            CComQIPtr< IHTMLDocument2 > spDoc = spDisp;
            if ( !spDoc )       continue;

            // 程序运行到此，已经找到了 IHTMLDocument2 的接口指针
      }
}

  <1.6> IE 浏览器控件被一个进程包装在一个子窗口中。那么你首先要得到那个进程的顶层窗口句柄（使用 FindWindow() 函数，或其它任何可行的方法），然后枚举所有子窗口，通过判断窗口类名是否是“Internet Explorer_Server”，从而得到浏览器的窗口句柄，再向窗口发消息取得文档的接口指针。主要代码如下：

#include < atlbase.h >
#include < mshtml.h >
#include < oleacc.h >
#pragma comment ( lib, "oleacc" )

BOOL CALLBACK EnumChildProc(HWND hwnd,LPARAM lParam)
{
      TCHAR szClassName[100];

      ::GetClassName( hwnd,  &szClassName,  sizeof(szClassName) );
      if ( _tcscmp( szClassName,  _T("Internet Explorer_Server") ) == 0 )
      {
            *(HWND*)lParam = hwnd;
            return FALSE;             // 找到第一个 IE 控件的子窗口就停止
      }
      else       return TRUE;             // 继续枚举子窗口
};

void FindFromHwnd(HWND hWnd)
{
      HWND hWndChild=NULL;
      ::EnumChildWindows( hWnd, EnumChildProc, (LPARAM)&hWndChild );
      if(NULL == hWndChild)       return;

      UINT nMsg = ::RegisterWindowMessage( _T("WM_HTML_GETOBJECT") );
      LRESULT lRes;
      ::SendMessageTimeout( hWndChild, nMsg, 0L, 0L, SMTO_ABORTIFHUNG, 1000, (DWORD*) &lRes );

      CComPtr < IHTMLDocument2 > spDoc;
      HRESULT hr = ::ObjectFromLresult ( lRes, IID_IHTMLDocument2, 0 , (LPVOID *) &spDoc );
      if ( FAILED ( hr ) )       return;

      // 程序运行到此，已经找到了 IHTMLDocument2 的接口指针
}

<2> 得到了 IHTMLDocument2 接口指针后，如果网页是单贞的，那么转第<4>步骤。如果是多贞（有子框架）则还需要遍历所有的子框架。这些子框架（IHTMLWindow2），被保存在集合中（IHTMLFramesCollection2）,取得集合指针的方法比较简单，取属性 IHTMLDocument2::get_frames()。
<3> 首先取得子框架的总数目 IHTMLFramesCollection::get_length()，接着就可以循环调用 IHTMLFramesCollection::item()函数一个一个地取得子框架 IHTMLWindow2 指针，然后转第<1>步。
<4> 一个文档中可能拥有多个表单，因此还是同样的道理，先要取得表单的集合（IHTMLElementCollection，其实这个不光是表单的集合，其他元素的集合，比如图片集合也是用它）。这个操作也很简单，取得属性 IHTMLDocument2::get_forms()。
<5> 属性 IHTMLElementCollection::get_length() 得到表单总数目，就可以循环取得每一个表单指针了 IHTMLElementCollection::item()。
<6> 在第<5>步中的item()函数，得到的是一个IDispatch的指针，你通过QueryInterface()查询，就可以得到某类型输入的指针，代码如下：

// 假设 spDisp 是由IHTMLElementCollection::item() 得到的 IDispatch 指针
CComQIPtr < IHTMLInputTextElement >    spInputText(spDisp);
CComQIPtr < IHTMLInputButtonElement > spInputButton(spDisp);
CComQIPtr < IHTMLInputHiddenElement > spInputHidden(spDisp);
......
if ( spInputText )
{
//如果是文本输入表单域
}
else if ( spInputButton )
{
//如果是按纽输入表单域
}
else if ( spInputHiddent )
{
//如果是隐藏输入表单域
}
else if ........ //其它输入类型

　　上面的方法，由于使用具体类型的接口指针，因此程序的效率比较高。但是通过 QueryInterface 接口查询，然后再进行条件判断显然是比较烦琐的，所以这个方法适合于特定的已知网页设计内容的程序。在示例程序中，我则是直接使用 IDispatch 接口进行操作的，这个方式执行起来稍微慢一些，但程序比较简单。主要代码和说明如下：

#include < atlbase.h >
CComModule  _Module;       // 由于需要使用 CComDispatchDriver 的 IDispatch 包装类ATL智能指针，所以这个是必须的
#include < atlcom.h >
......
long nElemCount=0;             //表单域的总数目
spFormElement->get_length( &nElemCount );

for(long j=0; j< nElemCount; j++)
{
      CComDispatchDriver spInputElement;       // IDispatch 的智能指针
      spFormElement->item( CComVariant( j ), CComVariant(), &spInputElement );

      CComVariant vName,vVal,vType;       // 域名称，域值，域类型
      spInputElement.GetPropertyByName( L"name", &vName );
      spInputElement.GetPropertyByName( L"value",&vVal  );
      spInputElement.GetPropertyByName( L"type", &vType );
      // 使用 IDispatch 的智能指针的好处就是：象上面这样读取、设置属性很简单
      // 另外调用 Invoke 函数也异常方便，Invoke0(),Invoke1(),Invoke2()....
      ......
}

四、结束语
　　示例程序在 VC6 下编译执行通过。运行方法：随便启动几个 IE 浏览网页，最好是有表单输入的网页。然后执行示例的 EXE 程序即可。到这里，就到这里了......祝大家学习快乐 ^-^