从 IHTMLDocument2* 获取页面上的可见文本

Question

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

我正在执行以下步骤：

1. 获得指向 IHTMLDocument2 的指针
2. 我从 IHTMLDocument2 获取正文作为 IHTMLElement
   3. 在正文上我调用 get_innerText

编辑

---

1. 我获取了 body 的所有子元素并尝试对所有 IHTMLElements 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签为脚本的元素，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之外，我还获得了具有 style="display: none" 的内容
2. 对于 google.com，我还获得了 javascript 以及文本。

我尝试了递归方法，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”

谁能帮我找出从 IHTMLDocument2* 获取文本的最佳方法。 我使用的是 C++ Win32，没有 MFC，ATL。

谢谢， 阿什。

Answer 1

如果您在 document.body.all 元素上向后迭代，您将始终从内向外遍历元素。所以你不需要自己走递归。 DOM 会为你做这件事。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;

---

旁注： 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>

如果例如我们的元素是第一个 DIV，el.getAdjacentText('afterBegin') 将返回 "Hello World 1"。所以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，因为我们需要为el.currentStyle.display测试每个元素的父元素。