如何獲取HTML頁面的“文本”？ （Webbrowser - Delphi）

Question

我正在使用WebBrowser來獲取html頁面的來源。 我們的頁面源包含一些文本和一些html標記。 像這樣 ：

FONT></P><P align=center><FONT color=#ccffcc size=3>**Hello There , This is a text in our html page** </FONT></P><P align=center> </P>

Html標簽是隨機的，我們無法猜測它們。 那么有沒有辦法只獲取文本並將它們與html標簽分開？

Answer 1

您可以使用TWebBrowser實例來解析並從html代碼中選擇plaint文本。

看這個樣本

uses
MSHTML,
SHDocVw,
ActiveX;

function GetPlainText(Const Html: string): string;
var
DummyWebBrowser: TWebBrowser;
Document       : IHtmlDocument2;
DummyVar       : Variant;
begin
   Result := '';
   DummyWebBrowser := TWebBrowser.Create(nil);
   try
     //open an blank page to create a IHtmlDocument2 instance
     DummyWebBrowser.Navigate('about:blank');
     Document := DummyWebBrowser.Document as IHtmlDocument2; 
     if (Assigned(Document)) then //Check the Document
     begin
       DummyVar      := VarArrayCreate([0, 0], varVariant); //Create a variant array to write the html code to the  IHtmlDocument2
       DummyVar[0]   := Html; //assign the html code to the variant array
       Document.Write(PSafeArray(TVarData(DummyVar).VArray)); //set the html in the document
       Document.Close;
       Result :=(Document.body as IHTMLBodyElement).createTextRange.text;//get the plain text
     end;
   finally
     DummyWebBrowser.Free;
   end;
end;

Answer 2

您應該看看使用Delphi DOM HTML解析器

Answer 3

如果你的星號是常數，你可以簡單地得到**之間的所有數字。 如果你的星號不是常數，你可以重寫這個字符串並刪除所有標簽（從<以>結尾的東西。或者你可以使用一些DOM解析器庫 。

Answer 4

實質上：一般情況下你不能。

HTML是一種標記語言，具有如此廣泛的用途和令人難以置信的可能性，可以動態地更改內容，實際上幾乎不可能做到這一點（只需看看Web瀏覽器供應商需要多大努力才能通過例如酸測試）。 所以你只能做一個子集。

對於特定且定義良好的HTML子集，您有更好的機會：

首先，您需要在字符串中獲取HTML，然后解析該HTML。

例如，使用Indy可以獲得HTML（請參閱此問題的答案）。

解析高度依賴於您的HTML並且可能非常復雜，您可以嘗試此問題或此搜索 。

您可以像RRuz建議的那樣使用TWebBrowser，但這取決於Internet Explorer。
現代Windows系統不保證再安裝Internet Explorer ......

--jeroen

Answer 5

使用Delphi HTML組件庫只從HTML文檔獲取文本很簡單。 THtDocument.InnerText屬性返回沒有標簽的格式化文本。