ASP小偷(三):文档对象模型DOM

ASP小偷(三):文档对象模型DOM
2009年08月22日
　　
　　获取到网页的源码之后，接下来的事情就是从源码中提取自己所需的数据。最简单易懂的方法就是使用字符串处理语句进行处理，主要用到Instr，Replace，Left，Right，Mid等函数。正则表达式也是一种快捷有效的方法。
　　　　另外也有一些使用控件对象处理的方法，主要有以下几种：
　　　　1.  XMLHTTP对象，速度不错，受网页源代码改变影响，但是处理网页源文件最方便自由。
　　　　2. InternetExplorer对象，速度一般，受网页源代码改变影响，还需要激活IE，不喜欢。
　　　　3. Execll中的QueryTables对象，平均速度最快，而且基本不受网页源代码改变影响，就是想获取多页数据的时候麻烦，而且多了一个web查询区域需要删除。对于纯数据表格网页是理想的处理方法，但对于提取现实的复杂网页中我们所需的数据时则比较难处理，想当于提取了innerText并且分离到单元格中。使用方法如下：
　　Dim qt As QueryTable
　　connstring="url;http://www.mysite.com"  With ActiveSheet.QueryTables.Add(Connection:=connstring, Destination:=Range("B1"))
　　.Refresh
　　End With
　　　　4. WebBrowser对象，第一次速度次于XMLHTTP，之后就很快，受网页源代码改变影响，原理同InternetExplorer。
　　　　现就IE对象和文档对象模型(DOM)的应用作具体说明。
　　　　分析网页根据不同情况可以用不同的角度去看，有一个值得了解的方法是掌握对象模型，将网页视为对象来自行控制，这个方法需要了解的是IE的自动化对象(InternetExplorer.Application)或WebBrowser对象（Microsoft Internet Controls），以及标准的文档对象模型（Document），以下代码在VBA环境下进行试验――我不在意你是用WORD还是EXCEL――可以先做一行过程模块，也可以在立即窗口下逐行输入：
　　　Set ieA = CreateObject("InternetExplorer.Application")  ‘创建IE对象　ieA.Visible = True   ‘使IE页面可见，做完这一步，可以看到一个新的IE　ieA.navigate "about:blank"   ‘打开一个空白的网页。
　　　　这个网页独立于VBA的应用程序（WORD或EXCEL）之外，事实上，你必须自已关掉它，或者用ieA.Quit下令退出――注意一下，单纯的关闭VBA或SET ieA=nothing是不会退出这个网页的。当然，如果你正在上网并且愿意，在第3行也可以将第3行的字符串替换成一个网站的名字，或者替换成一个你主机中的文档名――比如C:\XXX.HTM，或D:\PIC\XXX.GIF，正如你在IE地址栏输入名称浏览这些文档一样。另一种可选择的方法是直接在VB/VBA的窗体或工作表等宿主上增加一个的WEB BROWS 浏览器控件，也相当于上面的IE应用程序注：WEB BROWSE控件和单独的IE程序并不是完全相同的，例如WEB控件不能用QUIT方法退出，IE的NAVIGETE方法没有复杂的POST参数，但文档对象都可以用同样的方法引用，大部分事件和方法也通用另外，如果访问一个已经存在的网页，例如http://www.myweb.com，因为可能产生异步的延时，所以如果不是立即窗口，往往根据READYSTATE的状态保证网页加载完毕：
　　SUB LOADIE()   ‘ 在代码的常见的处理情况    Set ieA = CreateObject("InternetExplorer.Application")    ieA.Visible = True    ieA.navigate "http://www.myweb.com"  '打开某个网页，要一定时间，但代码会往下执行    DO UNTIL ieA.Readystate=4   '检查网页是否加载完毕（4表示完全加载）     DOEVENTS                '循环中交回工作权限给系统，以免“软死机”，vbs中用wscript.sleep 500代替    LOOP    END SUB
　　　　如果对这个IE应用程序对象的相关声明和事件感兴趣，就要引用IE控件找到对象中的常量和事件：SHDOCVW.DLL(MICROSOFT INTERNET CONTROL)。你可以看到的是，通过创建的对象，我们可以操作它，也可以访问它的属性。下面继续，如果前面你是在命令行输入，打开的那个空白网页没有关闭，变量是继续有效的：
　　Set doc = ieA.Document     ‘取得网页的文档对象  doc.body.innerHTML = "Hello"   ‘在文档的BODY标记内加上标记文字HELLO
　　　　从文档对象（Document）以下展开的对象模型，它代表网页的内容，和前面那个IE的应用程序不是同一个体系――请注意这一点――如果我们编程时要用到对应的对象事件和常量，在VB/VBA中要引用的类型库是MSHTML.TLB（MIRCOSOFT HTML OBJECT LIBRARY）
　　　　Documnet（文档）是文档对象模型的基础，相当于OFFICE对象中的APPLICATION，取得Document之后，不论修改网页还是读写网页，还是触发事件，一切都好说，在网页完全加载的前提下，每个URL都对应有一个Documnet。
　　　　在Documnet之下可以取得documentElement和body两个节点：
　　　......              ‘前面已经取得了ieA对象，并打开空白网页，不再重复　set doc=ieA.Document　set xbody=doc.Body   ‘取得body对象　set xDoc=doc. documentElement  ‘取得根节点
　　　　body对象相当于标记的对象，根节点documentElement相当于网页中的标记元素的对象，MHTML的类型库定义里，它们都属于HTMLHtmlElement类型的对象，下面我把这种类型的对象称为一个“节点”，不过要注意的是文档对象不是节点对象，它是HTMLDocument类型。根节点和body节点不同的是根节点包括整个网页，在HTML的文档对象模型中，这类对象有几种属性可以取得其中的内容：
　　　对象.innerHtml   ‘对象内部的HTML文本
　　　对象.OuterHtml   ‘对象中的HTML文本，包括对象本身的HTML标记在内
　　　对象.innerText    ‘对象内部的TEXT，不包括HTML标记
　　　对象.OuterText    ‘同上，包括对象本身的文本
　　所以，如果我们要抓取某个网站的所有HTML内容，代码可以这样写：
　　......              ‘前面已经取得了ieA对象，并打开某URL网页  set doc=ieA.Document  set xDoc=doc. documentElement  ‘取得根节点  strX=xDoc.OuterHtml    ‘取得所有的HTML内容
　　　　在网页上看到的标记，就是根节点或body之下的标记节点对象（node）。每一个标记节点对象之下都有一个名为ChildNodes的集合，它包含了“直属于本节点下的标记”，就象是文件目录，根目录下的子目录……举个例子：　
　　　　　HELLO　001　　
　　　　在上面的网页例子里，HTML标记是文档的根节点，是Document的Childnodes集合中的一个成员（还是要提请注意，Document不是节点，是另一种类型对象：上一级文档，但它可以有下级节点集合，正如磁盘可以有下级目录，但它本身不是目录），BODY是根节点的ChildNodes集合中的一个成员，而DIV和P两个节点则是BODY的ChildNodes集合中的两个成员，同样也有自已的Childnoes集合――不过我们很直观地可以看到，它们的下级集合是空的。
　　　　用程序代码程序问的过程是怎么样的呢？这种“目录式”层次的方式似乎是很有序的，那么，把上面的内容另存为一个HTML文档，放到硬盘的某个目录下，然后用ieA为名的对象浏览了上述网页文件后，以下代码可以取得节点的内容：
　　　set doc=ieA.Document　set xbody=doc. body   ‘取得body节点　set xI00= xbody.Childnodes.item(0)  ‘取得body的第1个节点　set xI01=xbody.Childnodes.item(0)  ‘取得bdoy的第2个节点　Msgbox xI00.innerText   ‘显示第1个节点（DIV）的文本　Msgbox xI01.outerHtml   ‘显示第2个节点（P）的完整内容
　　　　注：在VB/VBA/VBS系列的语言中，item是默认方法，可以省略。
　　　　应该注意的是，文档对象模型中，集合与OFFICE的集合有所不同，首先，集合是从0开始计数的，而OFFICE VBA是从1开始计数的，其次，它用的计数属性是Length而不是Count。
　　　　除了ChildNodes集合，大家在网页文档对象中还常见到的就是很大气的一种集合：All集合，这是“最糊涂”的一种集合，文档和各级节点都带有这个集合，正如这个名字所示，它是不分层次的，但用起来也很方便：
　　…….  Set doc=ieA.Document  Set xCols=doc.All   ;取得文档中的所有节点集合  Set xbCols=doc.body.All ;取得body节点下所有的节点集合
　　　　虽然任何标记节点都有ALL集合，但我们还是喜欢用DOCUMENT的ALL，原因无它，文档最大，一锅烩的ALL找起来也最合适。 ALL查找是有条件的：如果这个标记没有ID，你无法查到它的名字：
　　　　HELLO　001　　  set tag1=doc.All.item(“myTag”).item(0)   ‘返回标记内部ID=myTag的集合并取第一个
　　　　最初在我个人看来，如果网页中的HTML标记已经有了ID，不如用文档对象的getElementById直接返回一个对象更直接，这个方法不需要经过集合：
　　　set tag1=doc. getElementById(“myTag”) ‘返回第一个内部标有ID=myTag的标记
　　不过，ALL集合有一个很方便的特性：ID可以挂到ALL集合之下：
　　　strX=doc.All.mytag.innerhtml ‘是不是很好用
　　另一种方法是以标记名为集合，要用到文档对象的getElementsByName方法：
　　　set mydivs=doc. getElementsByName(“div”) ‘取得所有DIV标记，注意还是集合
　　　　关于文档对象的FORMS集合，因为大部分网页的数据提交都是通过FORM标记提交的，因此FORMS集合在没有网页中FORM标记没有ID标记或ID标记重复的情况下，可以用来区分不同的FORM节点
　　Set myForms=doc.Forms    ‘取得所有的FORM标记  Set frmX=myForms.item(0)  ‘第1个FORM
　　FORM标记节点代表的对象是很多朋友关心的内容――在网页对象中，它可以发送数据到服务器，使服务器刷新网页（实际上是服务器按某个格式约定发回数据），我们可以把网页的FORM看成是一个远程的函数调用接口，FORM标记中的ACTION指向的URL地址就是函数入口，而FORM标记内的各个INPUT标记节点就是函数的参数，当发出FORM.Submit方法时，就是远程调用函数了，在服务器端，诸如ASP，PHP就是老老实实找FORM的参数，不管你是用GET还是POST：
　　frmX.submit   ‘相当于用户在页面上按下FORM的发送按键
　　至于它的参数，也就是INPUT标记们的值，我们当然可以自已修改，一般使用value属性即可，具体可参考DHTML手册。但对于RADIO类型的INPUT，按同一个NAME为一组，你不要被迷惑了，仍旧当成是几个INPUT标记即可。也就是说，假定RADIO类型的NAME为“mod”，从文档对象的角度来看，使用
　　SET 对象=oDoc.All("mod")
　　或者它的直接领导上一级FORM对象引出
　　SET 对象=ofrm.elements("mod")
　　我们得到的对象，都是一个同名RADIO标记的集合，而不是单个标记。所以，要访问MOD也不算很难，先得到RADIO集合，然后令这个集合中两个中的任一个CHECKED为TRUE即可：
　　set xMod=ofrm.elements("mod")  xMod(0).checked=true      '选中第一个，如果要选第二个，用xMod(1).checked=true
　　注意不是用xMod(n).value=1来选，你设定某个项的checked为true，则其它radio自动为false，value属性达不到这个要求。
　　　　在使用submit时，网页设计程序会默认提交按钮的Name属性也为submit，这样会导致 form对象.submit无效，此时修改提交铵钮的Name属性即可，或是使用 form对象.elements("submit").click来摸拟客户提交。而使用超链接与表单对象的click摸拟，我们可以避开一些网站的检测手段，此时的程序类似于Office应用中的“宏”，它起到了代替人工作重复工作的作用。
　　　　另外，因为IE默认安全性问题，会有阻止脚本运行、不让弹出新窗口等问题的存在，可以通过加入可信站点并设置选项来回避安全性问题。对于弹出新窗口也可以设置form的target为"_blank"来刷新当前页面，但要注意，重刷新本页面以后，原来相关的DOCUMENT对象都不算数了，如果还要引用这个页面上的对象，要重新指定。
　　　　在具有框架的页面中，我们需要注意一个框架相当于一个window控件，要处理框架内页的元素，需要以类似的方法来判断是否加载完毕并设置Document对象：
　　Do Until ieA.document.frames(i).document.ReadyState="Complete"    DoEvents  Loop  set doc=ieA.Document.frames(i).Document
　　　　在使用IE的自动化对象(InternetExplorer.Application)或WebBrowser对象（Microsoft Internet Controls）获取网页源码有一个不太好的地方，就是在获取源码的同时会获取到图片等媒体信息，这会使获取源码的效率大大降低，因此我们可以使用XMLHTTP对象（或VB中的Inet控件）来获取源码，然后置入IE或WebBrowser对象中进行DOM树方式处理。如　WebBrowser1.Silent = True　　 '屏蔽脚本错误提示,以防止弹出式对话框等麻烦　WebBrowser1.Navigate "about:blank" 　'先清空 　Do Until WebBrowser1.ReadyState = 4 　'等待加载完毕　　DoEvents　Loop　WebBrowser1.Document.write shtml　　'shtml为已经通过其它方式取得的网页源码　Do Until WebBrowser1.ReadyState = 4 '等待加载完毕 　　DoEvents　Loop　Set doc = WebBrowser1.Document　'vbscript中使用HTMLDocument文档对象　SET doc='CreateObject("htmlfile")　doc.write shtml 'shtml为已经通过其它方式取得的网页源码　'vbscript中使用xmlDocument文档对象　SET doc=CreateObject("MSXML2.DOMDocument")　　'或set doc=CreateObject("Microsoft.XMLDocument")　doc.loadxml shtml　　　'使用shtml=doc.load(sURL) 可以获得源码
　　　　如果你分析了已经存在的网页，想从一个空白页面（ABOUT:BLANK）用VBA“凭空”生成FORM和INPUT节点，光凭上面的方法还不够，我们还要“创造节点”（createElement）并连入文档对应的位置（appendChild），但这已经是另一个问题了。