使用MSHTML加载和解析HTML。第三种方法。

• 下载演示项目 - 20 Kb

引言

首先，我来解释一下为什么我将这篇文章命名为“第三种方法”。我已经在CodeGuru上看到过类似的文章，介绍了如何从内存中加载和解析HTML文件。你可能会问，那为什么我还要写另一篇指南呢？嗯，下面我将展示我在这些方法中发现的优点和缺点。

第一种方法，也是在MSDN上展示的方法，是使用IStream接口加载HTML代码。你可以点击这里阅读相关文章。如果你只想将新代码插入到你的文档中，那么绝对应该使用这种方法。但是，如果你尝试在加载HTML后从文档中获取标签，你会一无所获。仅仅因为它们仍在解析中，你必须创建一个OnDocumentComplete处理程序，然后才能开始查看你的文档。

当我意识到这一点后，我开始寻找另一种方法，该方法可以在提交代码后立即给我文档。是的，我找到了！你可以在CodeGuru上的Asher Kobin一篇精彩的文章中找到它。它使用了一个名为IMarkupServices的新接口，该接口随MS Internet Explorer 5.0一起引入。我选择了这段代码，并在此基础上进行了自己的修改并开始使用它……但突然我发现，当我将文档保存到磁盘时，BODY标签没有属性！我花了一整天的时间来解决这个问题，试图让它正常工作，但是……徒劳无功。当你从内存中加载HTML代码到文档时，BODY标签的所有属性都会丢失。仍然不知道为什么会发生这种情况，如果有人能告诉我，我将非常感激。

因此，我又回到了MSDN，并找到了另一种（第三种）加载和解析HTML的方法。我太高兴了，所以我决定将我的第一篇CodeProject文章写在这个上面，就是你现在正在阅读的这篇:)

代码

对于那些不想阅读整篇文章的高级程序员，我将给出一个提示：加载HTML代码是通过IHTMLDocument2接口的write()方法实现的。

现在我将从头开始解释如何做到这一点。

头文件和导入

在此，我将假设你有一个标准的MFC应用程序（例如对话框、SDI或MDI应用程序）。首先，你必须初始化COM，因为我们将使用MSHTML COM接口。这可以在你的应用程序的InitInstance()函数中完成。另外，请记住在你的ExitInstance()中取消初始化COM。

BOOL CYourApp::InitInstance()
{
	CoInitialize(NULL);
	...
}
int CYourApp::ExitInstance() 
{
	...
	CoUninitialize();
	return CWinApp::ExitInstance();
}

现在，在你将要使用MSHTML接口的文件中，包含mshtml.h、comdef.h（用于智能指针）并导入mshtml.tlb。

#include <comdef.h>
#include <mshtml.h>
#pragma warning(disable : 4146)	//see Q231931 for explaintation
#import <mshtml.tlb> no_auto_exclude

我从哪里获取文档？

现在让我们获取一个指向IHTMLDocument接口的指针。你将如何获得它？这取决于你已经拥有什么:)如果你在应用程序中托管了一个WebBrowser控件或使用了CHtmlView，你可以调用GetDocument()函数并将返回值存储在你的指针中，但我将解释如何获得一个“独立”的文档，该文档未附加到任何控件或视图。这可以通过简单地调用CoCreateInstance()函数来完成。

MSHTML::IHTMLDocument2Ptr pDoc;
HRESULT hr = CoCreateInstance(CLSID_HTMLDocument, NULL, CLSCTX_INPROC_SERVER, 
                              IID_IHTMLDocument2, (void**)&pDoc);

验证你是否有一个有效的指针（不是NULL），然后继续。

转换你的HTML代码

我将假设你想要加载的所有HTML代码都存在于一个名为lpszHTMLCode的变量中。这可以是一个CString或任何其他缓冲区，例如从磁盘文件加载的。在将其传递给MSHTML之前，我们需要对其进行准备。问题在于，我们将使用的MSHTML函数只接受SAFEARRAY作为参数。所以，让我们将我们的字符串转换为SAFEARRAY。

SAFEARRAY* psa = SafeArrayCreateVector(VT_VARIANT, 0, 1);
VARIANT *param;
bstr_t bsData = (LPCTSTR)lpszHTMLCode;
hr =  SafeArrayAccessData(psa, (LPVOID*)&param);
param->vt = VT_BSTR;
param->bstrVal = (BSTR)bsData;

最后一步

现在我们准备好将我们的SAFEARRAY传递给write()函数。这两行代码将为你完成所有脏乱的解析工作。

hr = pDoc->write(psa);	//write your buffer
hr = pDoc->close();	//and closes the document, "applying" your code  

//Don't forget to free the SAFEARRAY!
SafeArrayDestroy(psa);

当然，请记住检查每一步，以确保你的程序永远不会崩溃，我省略了这一点是为了保持代码的简洁。

现在，经过所有这些工作，你将获得一个指向IHTMLDocument2接口的指针，该接口提供了许多功能，例如获取特定标签、搜索、插入、替换、删除标签，就像你在JavaScript中所做的那样。

请记住，如果你使用智能指针（就像我在这里所做的那样），则无需调用Release()函数，对象将自动释放。

"about:blank" bug 变通方法

嗯，因为我们的文档接口没有附加网站，所以所有相对文档的链接（href、src）在尝试使用IHTMLAnchorElement::href属性时都将以“about:blank”开头。要获取与HTML源文件完全相同的链接，可以使用IHTMLElement接口和一个名为getAttribute的有用函数。只需记住，该函数的第二个参数应为2，这将告诉解析器按原样返回文本。

当然，你应该以相同的方式处理IMG、LINK和其他标签。示例项目也已更新以包含此修复。你可以下载它并查看我是如何做到的。

参考文献

Ahser Kobin关于使用IMarkupServices进行解析的文章（CodeGuru）
从流加载HTML（MSDN）
MSHTML参考（MSDN）
IHTMLDocument2参考（MSDN）