如何使用.NET的WebBrowser或mshtml.HTMLDocument动态生成HTML代码？

Question

我已阅读的有关该主题的大多数答案都指向System.Windows.Forms.WebBrowser类或Microsoft HTML对象库程序集的COM接口mshtml.HTMLDocument。

WebBrowser类没有带我到任何地方。 以下代码无法检索我的Web浏览器呈现的HTML代码：

[STAThread]
public static void Main()
{
    WebBrowser wb = new WebBrowser();
    wb.Navigate("https://www.google.com/#q=where+am+i");

    wb.DocumentCompleted += delegate(object sender, WebBrowserDocumentCompletedEventArgs e)
    {
        mshtml.IHTMLDocument2 doc = (mshtml.IHTMLDocument2)wb.Document.DomDocument;
        foreach (IHTMLElement element in doc.all)
        {
                    System.Diagnostics.Debug.WriteLine(element.outerHTML);
        }     
    };
    Form f = new Form();
    f.Controls.Add(wb);
    Application.Run(f);
} 

以上仅是示例。 我不是真的想找到一种解决方法来弄清楚我所在的城镇的名称。 我只需要了解如何以编程方式检索这种动态生成的数据即可。

（调用新的System.Net.WebClient.DownloadString（“ https://www.google.com/#q=where+am+i ”），将生成的文本保存在某处，搜索您当前所在城镇的名称找到，让我知道您是否能够找到它。）

但是，当我从网络浏览器（即firefox）访问“ https://www.google.com/#q=where+am+i ”时，我看到的城镇名称写在网页上。 在Firefox中，如果我右键单击城镇名称并选择“检查元素（Q）”，则可以清楚地看到以HTML代码编写的城镇名称与WebClient返回的原始HTML看起来大相径庭。

在我厌倦了玩System.Net.WebBrowser之后，我决定尝试一下mshtml.HTMLDocument，最后得到同样的无用的原始HTML：

public static void Main()
{
    mshtml.IHTMLDocument2 doc = (mshtml.IHTMLDocument2)new mshtml.HTMLDocument();
    doc.write(new System.Net.WebClient().DownloadString("https://www.google.com/#q=where+am+i"));

    foreach (IHTMLElement e in doc.all)
    {
            System.Diagnostics.Debug.WriteLine(e.outerHTML);
    }
} 

我认为必须有一种优雅的方式来获取此类信息。 现在，我所能想到的就是将WebBrowser控件添加到表单中，让它导航到相关URL，发送键“ CLRL，A”，然后将页面上显示的所有内容复制到剪贴板，然后尝试解析它。 但是，这是一个可怕的解决方案。

Answer 1

我想为Alexei的答案贡献一些代码。 几点：

• 严格来说，并非总是可以确定页面何时以100％的概率完成渲染。 一些页面非常复杂，并使用连续的AJAX更新。 但是，通过轮询页面的当前HTML快照进行更改并检查WebBrowser.IsBusy属性，我们可以非常接近。 这就是LoadDynamicPage在下面执行的操作。

• 在页面上方永无休止的情况下，必须在上面加上一些超时逻辑（请注意CancellationTokenSource ）。

• Async/await是对此进行编码的好工具，因为它为我们的异步轮询逻辑提供了线性代码流，从而大大简化了它。

• 使用浏览器功能控件启用HTML5渲染很重要，因为WebBrowser默认在IE7仿真模式下运行。 这就是SetFeatureBrowserEmulation在下面执行的操作。

• 这是一个WinForms应用程序，但是可以轻松地将该概念转换为控制台应用程序 。

• 此逻辑在您专门提到的URL上很好用： https : //www.google.com/#q=where+am+i 。

using Microsoft.Win32;
using System;
using System.ComponentModel;
using System.Diagnostics;
using System.Threading;
using System.Threading.Tasks;
using System.Windows.Forms;

namespace WbFetchPage
{
    public partial class MainForm : Form
    {
        public MainForm()
        {
            SetFeatureBrowserEmulation();
            InitializeComponent();
            this.Load += MainForm_Load;
        }

        // start the task
        async void MainForm_Load(object sender, EventArgs e)
        {
            try
            {
                var cts = new CancellationTokenSource(10000); // cancel in 10s
                var html = await LoadDynamicPage("https://www.google.com/#q=where+am+i", cts.Token);
                MessageBox.Show(html.Substring(0, 1024) + "..." ); // it's too long!
            }
            catch (Exception ex)
            {
                MessageBox.Show(ex.Message);
            }
        }

        // navigate and download 
        async Task<string> LoadDynamicPage(string url, CancellationToken token)
        {
            // navigate and await DocumentCompleted
            var tcs = new TaskCompletionSource<bool>();
            WebBrowserDocumentCompletedEventHandler handler = (s, arg) =>
                tcs.TrySetResult(true);

            using (token.Register(() => tcs.TrySetCanceled(), useSynchronizationContext: true))
            {
                this.webBrowser.DocumentCompleted += handler;
                try 
                {           
                    this.webBrowser.Navigate(url);
                    await tcs.Task; // wait for DocumentCompleted
                }
                finally
                {
                    this.webBrowser.DocumentCompleted -= handler;
                }
            }

            // get the root element
            var documentElement = this.webBrowser.Document.GetElementsByTagName("html")[0];

            // poll the current HTML for changes asynchronosly
            var html = documentElement.OuterHtml;
            while (true)
            {
                // wait asynchronously, this will throw if cancellation requested
                await Task.Delay(500, token); 

                // continue polling if the WebBrowser is still busy
                if (this.webBrowser.IsBusy)
                    continue; 

                var htmlNow = documentElement.OuterHtml;
                if (html == htmlNow)
                    break; // no changes detected, end the poll loop

                html = htmlNow;
            }

            // consider the page fully rendered 
            token.ThrowIfCancellationRequested();
            return html;
        }

        // enable HTML5 (assuming we're running IE10+)
        // more info: https://stackoverflow.com/a/18333982/1768303
        static void SetFeatureBrowserEmulation()
        {
            if (LicenseManager.UsageMode != LicenseUsageMode.Runtime)
                return;
            var appName = System.IO.Path.GetFileName(System.Diagnostics.Process.GetCurrentProcess().MainModule.FileName);
            Registry.SetValue(@"HKEY_CURRENT_USER\Software\Microsoft\Internet Explorer\Main\FeatureControl\FEATURE_BROWSER_EMULATION",
                appName, 10000, RegistryValueKind.DWord);
        }
    }
}

Answer 2

您的网络浏览器代码看起来很合理-等待获取当前内容的内容。 不幸的是，浏览器或JavaScript都没有正式的“我已经执行完JavaScript，可以随意窃取内容”的通知了。

某种活动等待（不是Sleep而是Timer ）可能是必需的，并且是特定于页面的。 即使您使用无头浏览器（即PhantomJS），也会遇到相同的问题。