/*
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);
}
}