如何通过 C# 从 mshtml 元素获取所有应用的 CSS 样式信息

Question

我正在开发一个需要解析网页并转换为另一种格式的 C# 应用程序。无需深入了解输出格式和用例等。我的问题是获取任何给定元素的计算 CSS，在这种情况下是大多数元素。我正在处理内联样式、CSS 和格式化元素（如 <strong>,<em>,<u> 等）的组合。

我目前正在将网页加载到 mshtml 并使用 IHTMLElement2 接口访问 currentStyle 对象。事实证明这太慢了。我已经对其进行了分析，并且花费了大量时间通过调用 currentStyle.XXX 来获取样式规则的值。由于我需要查询多个属性，即每个元素重复的背景颜色、字体系列、字体大小、文本对齐、文本装饰等，我正在执行数千次 COM 调用，并且需要几分钟的时间文档。所有现代浏览器都在几分之一秒内做到这一点。我想这是杀死我的 COM 互操作？

有没有更好的方法？ 我想一次性获得所有适用于元素的计算样式规则。 有人知道如何使用 IHTMLElementAppliedStyles 吗？它做我正在寻找的东西吗？你从哪里得到它的实例？旁注：我正在引用 HTML 对象库来获取 mshtml，但它似乎不是 IE9/10 版本？？？并非所有接口都可用，即 IHTMLDocument7

谢谢，

Answer 1

我一直在努力，并有一些更新......

a) 我在代码中有一个错误，它会返回树以将 80% 或 1.2em 之类的相对值解析为 pt 等绝对值之类的绝对值，该修复导致速度大幅提升。它对我来说仍然有点太慢，对于相当于 3 页的 word 文档（包括表格和有序列表等）来说，它需要 20~30 秒。

b) 我为缓存 CSS 值的 IHTMLElement2 添加了一个 C# 包装类，因此我至少只需通过 COM 互操作每个 Dom 节点读取一次它们。这有点帮助，所以对于相同的 3 页 word doc 等效 html，我现在缩短到 8 到 10 秒。

c) 我正在考虑为 IHTMLElement 创建一个 C++ 包装器，它将所有 CSS 值加载到一个数组中，并通过单个 COM 互操作调用传递整个数组，但到目前为止，C++ 和 COM 包装器看起来像是一条陡峭的学习曲线: MFC, ATL, COM, oh my.

d) 因为我没有 C++ 经验并且包装器的想法看起来非常具有挑战性，我正在考虑构建一个 C# css 解析器和解析器，所以我可以转储 mshtml 并使用 htmlagilitypack + 我的 css 解析器/解析器。也是一项大工作。

期待cmets，指导，解答 谢谢。

Answer 2

（对于最初的提问者来说可能为时已晚，但希望对后来出现的人有用。）

使用IHTMLWindow7::getComputedStyle(IHTMLDOMNode node) 会返回一个实时的IHTMLCSSStyleDeclaration 对象，该对象会在考虑所有规则和内联样式（包括浏览器默认样式（例如赋予<strong> 较重的字体重量）后给出完全计算的样式。

如果您想绑定到特定属性，例如backgroundColor，可以直接在IHTMLCSSStyleDeclaration、IHTMLCSSStyleDeclaration2 等上使用它们。或者，您可以使用IHTMLCSSStyleDeclaration::getPropertyValue(string name) 按名称访问特定属性。要获取元素上定义的所有名称的列表，请使用 length 和 item 属性。

需要注意的是IHTMLWindow7 和IHTMLCSSStyleDeclaration* 接口未在mshtml 的主互操作程序集中声明，因此默认情况下它们不能以强绑定方式使用。因此，您既可以动态访问它们，也可以创建一个自定义互操作程序集来提供对它们的访问。

为 mshtml 创建自定义互操作程序集 (IA) 并不难，但默认情况下，.NET 成员定义通常并不理想，而且程序集很大。如果您不介意，请在您的 PC 上找到 mshtml.tlb 并从 VS 开发人员提示符下运行它：

tlbimp mshtml.tlb /out:"custommshtml.dll" /namespace:"custommshtml" /transform:dispret /asmversion:"1.0.0.0" /tlbreference:"C:\Windows\System32\stdole2.tlb" /nologo /silence:3001 /silence:3002

这会为您安装的 IE 版本生成一个 IA。您会收到一些警告，只要您不打算使用这些成员，就可以忽略这些警告。根据需要进行调整，但不要使用mshtml作为命名空间——这会让事情非常混乱。

在您的项目中，引用您的 IA 而不是 mshtml。您需要调整 using 语句和诸如此类的东西以使用不同的命名空间。根据原始 DOM 对象的来源，您可能会发现它们在 mshtml 命名空间中有一个类型。没关系;您仍然可以使用自定义界面。此外，在调试即时窗口期间，可能会声称某些方法/属性不存在，即使它们出现在 IntelliSense 中——这只是因为它们没有在项目中被引用，因此编译器没有嵌入所需的定义。