从IHTMLDocument2*获取页面上的可见文本

Obtaining visible text on a page from an IHTMLDocument2*

本文关键字：文本 IHTMLDocument2 获取      更新时间：2023-10-16

我正在尝试获取Internet Explorer web浏览器窗口的文本内容。

我遵循以下步骤：

  1. 获取指向IHTMLDocument2的指针
  2. 从IHTMLDocument2，我获得作为IHTMLElement的主体
    3。在主体上，我调用get_innerText

编辑

  1. 我获取了主体的所有子元素，并尝试对所有IHTML元素进行递归调用
  2. 如果我得到任何不可见的元素，或者如果我得到一个标记为script的元素，我会忽略该元素及其所有子元素

我的问题是

  1. 除了页面上可见的文本，我还获得了style="display:none"的内容
  2. 对于google.com，我还获得了javascript和文本

我尝试过递归方法，但我不知道如何处理这样的场景，

<div>
Hello World 1
<div style="display: none">Hello world 2</div>
</div>

在这种情况下，我将无法获得"Hello World 1"

有人能帮我找到从IHTMLDocument2*获取文本的最佳方式吗。我使用的是C++Win32，没有MFC，ATL。

谢谢，Ashish。

如果在document.body.all元素上向后迭代，则始终从内到外遍历元素。所以你不需要自己递归行走。DOM将为您做到这一点。例如（代码在Delphi中）：

procedure Test();
var
  document, el: OleVariant;
  i: Integer;
begin
  document := CreateComObject(CLASS_HTMLDocument) as IDispatch;
  document.open;
  document.write('<div>Hello World 1<div style="display: none">Hello world 2<div>This DIV is also invisible</div></div></div>');
  document.close;
  for i := document.body.all.length - 1 downto 0 do // iterate backwards
  begin
    el := document.body.all.item(i);
    // filter the elements
    if (el.style.display = 'none') then
    begin
      el.removeNode(true);
    end;
  end;
  ShowMessage(document.body.innerText);
end;

附带评论：至于您使用递归方法的场景：

<div>Hello World 1<div style="display: none">Hello world 2</div></div>

例如，如果我们的元素是第一个DIV，则el.getAdjacentText('afterBegin')将返回"Hello World 1"。因此，我们可能可以在元素上向前迭代并收集getAdjacentText('afterBegin')，但这有点困难，因为我们需要测试每个元素的父元素的el.currentStyle.display。

相关文章：