Question

有没有办法从C＃打开Internet Explorer进程，将html内容发送到此浏览器并捕获“显示的”内容？

我知道其他html剥离方法（例如HtmlAgilityPack），但我想探索上面的途径。

谢谢， LG

Answer 1

您可以使用适用于WinForms和WPF的WebBrowser控件在您的应用程序中托管IE。然后，您可以将控件的Source设置为HTML，等待内容加载（使用LayoutUpdated事件，而不是在HTML下载完成时引发的Loaded事件，不一定要安排并且所有动态JS运行），然后访问获取HTML的Document属性。

Answer 2

    public List<LinkItem> getListOfLinksFromPage(string webpage)
    {
        WebClient w = new WebClient();
        List<LinkItem> list = new List<LinkItem>();
        try
        {
            string s = w.DownloadString(webpage);

            foreach (LinkItem i in LinkFinder.Find(s))
            {
                //Debug.WriteLine(i);
                //richTextBox1.AppendText(i.ToString() + "\n");
                list.Add(i);
            }
            listTest = list;
            return list;
        }
        catch (Exception e)
        {
            return list;
        }

    }

    public struct LinkItem
    {
        public string Href;
        public string Text;

        public override string ToString()
        {
            return Href;
        }
    }

    static class LinkFinder
    {
        public static List<LinkItem> Find(string file)
        {
            List<LinkItem> list = new List<LinkItem>();

            // 1.
            // Find all matches in file.
            MatchCollection m1 = Regex.Matches(file, @"(<a.*?>.*?</a>)", RegexOptions.Singleline);

            // 2.
            // Loop over each match.
            foreach (Match m in m1)
            {
                string value = m.Groups[1].Value;
                LinkItem i = new LinkItem();

                // 3.
                // Get href attribute.
                Match m2 = Regex.Match(value, @"href=\""(.*?)\""",
                RegexOptions.Singleline);
                if (m2.Success)
                {
                    i.Href = m2.Groups[1].Value;
                }

                // 4.
                // Remove inner tags from text.
                string t = Regex.Replace(value, @"\s*<.*?>\s*", "",
                RegexOptions.Singleline);
                i.Text = t;

                list.Add(i);
            }

            return list;

        }
    }

其他人创建了正则表达式，所以我不能相信，但上面的代码将打开webclient对象到传入的网页，并使用正则表达式查找该页面的所有childLinks。不确定这是否是您正在寻找的，但如果您只是想“抓取”所有HTML内容并将其保存到文件中，您可以简单地保存在“string s = w”行中创建的字符串“s” .DownloadString（网页）;”到文件。

C＃Internet Explorer和剥离HTML标记

2 个答案: