【第一期】MSHTML的IHTMLDocument2，一个奇怪的HTML解析器

1185384801

前言

• 本帖子大部分内容来自docs.microsoft，文档全英文，若嫌弃英文的请按Ctrl+W或Alt+F4

• 之前我开源过帖子：【开源】当前最全面的dom解析，基于DispHTMLDocument，里面使用了GUID：“{25336920-03F9-11CF-8FD0-00AA00686F13}”创建了一个对象，该对象仅为MSHTML下的IHTMLDocument2，该对象继承了IDispatch，所以里面有“IDispatch”的命令，所以，上一贴中的“DispHTMLDocument”对象的叫法并不准确，应该是“IHTMLDocument2”对象。

• 精易模块里面的“类_dom”均是用该对象实现的解析功能。

关于MSHTML的介绍：

• MSHTML 是微软的窗口操作系统（Windows）搭载的网页浏览器—Internet Explorer的排版引擎的名称（又称为Trident）。

• MSHTML是微软公司的一个COM组件，该组件封装了HTML语言中的所有元素及其属性，通过其提供的标准接口，可以访问指定网页的所有元素。

• MSHTML提供了丰富的HTML文档接口，有IHTMLDocument、IHTMLDocument2、…、IHTMLDocument7等7种。其中，IHTMLDocument只有一个Script属性，是管理页面脚本用的；IHTMLDocument2接口跟C#的HtmlDocument类（即通过Web Browser控件直接获得的Document属性）很相似；IHTMLDocument3是跟Visual Basic 6.0里的文档对象相似的一个接口，基本上可以用到的方法都在其中。

• MSHTML还提供封装了对HTML元素完整操作的IHTMLElement接口，通过IHTMLElement，可以准确地判断HTML元素节点的类型，还可以获取HTML元素节点的所有属性。

下面介绍IHTMLDocument2

• IHTMLDocument2对象将得到的信息文档,检查和修改HTML元素和文本文档中。（原文：Gets information about the document, and examines and modifies the HTML elements and text in the document.）

• IHTMLDocument2接口继承自IDispatch接口。 IHTMLDocument2也具有以下类型的成员：

  • Methods（方法）
    • Properties（属性）

• Methods（方法）：

• IHTMLControlRange :: execCommand

  • 在当前文档，当前选择或给定范围上执行命令。

• IHTMLControlRange :: execCommandShowHelp

  • 显示给定命令标识符的帮助信息。

• IHTMLControlRange :: queryCommandEnabled

  • 返回一个布尔值，该值指示在给定文档的当前状态的情况下，是否可以使用   - IHTMLControlRange :: execCommand成功执行指定的命令。

• IHTMLControlRange :: queryCommandIndeterm

  • 返回一个布尔值，该布尔值指示指定的命令是否处于不确定状态。

• IHTMLControlRange :: queryCommandState

  • 返回一个布尔值，该值指示命令的当前状态。

• IHTMLControlRange :: queryCommandSupported

  • 返回一个布尔值，该值指示当前范围是否支持当前命令。

• IHTMLControlRange :: queryCommandValue

  • 返回给定命令的文档，范围或当前选择的当前值。

• IHTMLDialog :: toString

  • 检索对象的字符串表示形式。

• IHTMLDocument2 :: clear

  • 不支持。

• IHTMLDocument2 ::close

  • 关闭输出流并强制显示发送的数据。

• IHTMLDocument2 :: createElement

  • 为指定标签创建元素的实例。

• IHTMLDocument2 :: createStyleSheet

  • 为文档创建样式表。

• IHTMLDocument2 :: elementFromPoint

  • 返回指定x坐标和指定y坐标的元素。

• IHTMLDocument2 :: open

  • 打开一个新窗口，并加载由给定URL指定的文档。另外，还会打开一个新窗口，该窗口使用url参数和name参数来收集   - IHTMLDocument2 :: write方法和   - IHTMLDocument2 :: writeln方法的输出。

• IHTMLDocument2 :: queryCommandText

  • 检索与命令关联的字符串。

• IHTMLDocument2 :: write

  • 将一个或多个HTML表达式写入指定窗口中的文档。

• IHTMLDocument2 :: writeln

  • 将一个或多个HTML表达式（后跟一个回车符）写入指定窗口中的文档。

• Properties（属性）：由于过多，就不一一列举了。

  • 

备注：

• 通常，每个窗口对象都有一个对应的文档对象，您可以通过使用IID_IHTMLDocument或IID_IHTMLDocument2接口标识符调用QueryIntrerface方法来获取。 包含HTML文档的Windows始终具有有效的文档对象。 包含其他格式的文档的窗口可能没有有效的文档对象。（原文：Typically, every window object has a corresponding document object that you can get by calling the QueryIntrerface method with the IID_IHTMLDocument or IID_IHTMLDocument2 interface identifiers. Windows that contain HTML documents always have valid document objects; windows that contain documents in other formats might not have valid document objects.）

• 通常，在尝试获取不是当前窗口的窗口的文档对象之前，请确保与该窗口关联的源文件是HTML文档文件或可以表示为HTML文档的文件，例如 ，一个文本文件。（原文：In general, before you attempt to get the document object for a window that is not the current window, make sure that the source file associated with that window is an HTML document file or a file that can be represented as an HTML document, for example, a text file.）

• 此接口在代码中也可以称为IOmDocument2。

对象要求：

• Minimum supported client：Windows XP
• Minimum supported server ：Windows 2000 Server

总结：

• IHTMLDocument2作为Trident（IE）导出接口，理论上是稳定的，可以用于网页爬虫，网页数据处理等（百度一下就有相关知识了）

• 本帖到此为止，如果想了解更多，请参考微软官方文献，本帖仅为普及MSHTML相关知识和document解析器原理。

Android玄机

感谢分享

冯古屋

不明觉历！！！！

汉族

前排来一个