程序員面臨的一個共同任務就是收集 Web 站點的數據，並將它分佈到數據庫或其他 Web 頁。例如，程序員可能需要從氣象站點獲得天氣預報圖，從在線股票經紀人那裏獲得股票報價，以及從新聞站點獲得行業新聞。然後，這些信息被放在一個 Web 頁上，供 CIO、商人或銷售經理使用。或者，也許程序員需要跟蹤歷來的氣象資料，並需要每天將來自氣象站的天氣預報信息存入數據庫。其應用不勝枚舉。
過去，這些選擇相當受限制。現在，通過使用象 WinInet.dll 這樣的 HTTP 組件或許多其他第三方組件，您就可以獲取 Web 頁，並利用幾百種字符串處理功能來獲得網頁中您所感興趣的部分。這一技術已在應用，但很不理想。如果您致力於計算機科學（或者有足夠的時間），就會爲 HTML 創建一個分析器，以標記 Web 頁，然後分析您需要的網頁部分。不過，由於 Internet Explorer 的體系結構中已包含了可重複使用的用分析器，這些都不需要了。
Internet Explorer 不只是一個程序，更是許多可重複使用組件的集合與容器。在拆取 Web 頁時，最有意思的兩個組件是 shdocvw.dll 和 mshtml.dll。第一個組件 shdocvw.dll，包含稱爲 WebBrowser 的 Microsoft(R) ActiveX(R) 控件，它真實地顯示 Web 頁。在運行 Internet Explorer 時，顯示 Web 頁的主窗口就是這樣的控件。第二個組件 mshtml.dll，含有能分析 WebBrowser 控件中所包含文檔的 HTML 分析器。
可能有這種情況，在您的應用程序內部，已經用 WebBrowser 控件來駐留 Web 頁，但仍需要重新創建一個小瀏覽器來啓動 Web 頁的拆取。
- 在文件菜單上，請單擊新建工程，以創建“標準 EXE”，然後在工程菜單上單擊部件，以添加 Microsoft HTML Object Library 和 Microsoft Internet Controls。（見圖 1。）
![]()
圖 1.
- 在工具箱中，可看見 WebBrowser 組件。拖動其中之一，文本框和主窗體上的命令按鈕。將此文本框的 Text 屬性設置爲 “http://moneycentral.msn.com/”，將此命令按鈕的 Caption 屬性設置爲“瀏覽(&B)”。（見圖 2。）
![]()
圖 2.
- 雙擊該命令按鈕，然後在事件處理器中放入下列代碼，導航至文本框中命名的 Web 站點：
Private Sub Command1_Click() WebBrowser1.Navigate Text1.TextEnd Sub
- 保存並運行該程序。試着按瀏覽按鈕，導航到文本框中指定的站點。您已經創建了一個基本的 Web 瀏覽器 — 就其本身而言沒什麼用，甚至沒什麼意義，但它卻是邁向 Web 拆取技術的第一步。
- 回到工程中，在代碼窗口中選擇 WebBrowser1 對象，然後選擇 DocumentComplete 的事件處理器。一旦整個 Web 頁下載到此瀏覽器中，即觸發該事件：
Private Sub WebBrowser1_DocumentComplete_ (ByVal pDisp As Object, URL As Variant)End Sub
傳遞到該事件中的 URL 就是我們導航所至的位置，它在日後確定瀏覽器所在的頁面時將更爲有用。WebBrowser 控件有一個屬性稱爲 Document（文檔），可將其視爲 IHTMLDocument 來處理：
Private Sub WebBrowser1_DocumentComplete(_ ByVal pDisp As Object, URL As Variant) Dim Doc As IHTMLDocument2 Set Doc = WebBrowser1.Document //下一步：分析該文檔End Sub
較新的 IHTMLDocument2 具有 IHTMLDocument 中無法使用的特性。可對系統使用 IHTMLDocument 替代老版本的 Internet Explorer，如果您有勇氣的話，甚至可以使用 IHTMLDocument3。補充說明一下，我們假設您已經導航到 Word 文檔或 XML 文檔，而非 HTML 文檔。不要將變量 doc 聲明爲 IHTMLDocument2，可將其聲明爲 Word 的文檔或 XML 的 DOMDocument。
在進行下一步之前，理解 HTML 文檔的結構是非常重要的。和 XML 不一樣，HTML 文檔的組合有一定的自由度。例如，您會遇到未關閉標記的 HTML 文檔。HTML 文檔確實有某種結構。結構好的 HTML 文檔通常具有下列元素：
<HTML> <HEAD> header information like the <TITLE> </HEAD> <BODY> elements like <TABLE> and <A> and <IMG> </BODY></HTML>
請注意 HTML 的樹狀結構。標記包含標記又包含標記，如此等等。特別是，每一個標記元素都包含一個 0 到 n 個標記元素的集合。<TABLE> 標記可以包含 <TR> 標記。每個 <TR> 標記可以包含 <TD> 標記，後者又可以包含其他標記如錨或圖像等。
- 現在，分析整個 http://moneycentral.msn.com/，並在帶 MSFT 符號的頁填上第二個 <INPUT> 標記。然後，調用此窗體上的提交：
Private Sub WebBrowser1_DocumentComplete(ByVal pDisp As Object, URL As Variant) Dim doc As IHTMLDocument2 Set doc = WebBrowser1.Document If URL = _ "http://moneycentral.msn.com/home.asp" Then '填充帶輸入標記的元素集合 Dim Inputs As IHTMLElementCollection Set Inputs = doc.All.tags("INPUT") '選擇第一個輸入標記 Dim Element As IHTMLElement Set Element = Inputs.Item(1, 1) '使用正確的界面 Dim InputElement As IHTMLInputElement Set InputElement = Element InputElement.Value = Text1.Text '調用此頁第一個窗體上的提交 doc.Forms.Item(0, 0).submitEnd Sub在此您會看到，標記集合如何包含可視爲其特定類型的標記。每一個標記都可用 IHTMLElement 界面表示，或用指定爲該標記類型的界面表示。例如，<TABLE> 標記可用 IHTMLTableElement 或 IHTMLElement 表示。
標記的集合都包含下列重要的方法和屬性：
- 長度。可將其理解爲計數，或集合中項目的數量。
- 項目。用於選擇集合中的特殊元素。“項目”有兩個參數，第二個參數即命名的標記。
- 標記。將要過濾的元素傳遞給標記。標記 ("A") 將返回集合內所有錨的集合。要想有效地拆取頁，就需要學會使用標記集合。
現在可能您會問，“爲什麼不直接轉到 http://moneycentral.msn.com/scripts/webquote.dll?ipage=qd&Symbol=msft？”當然是可以的，但這個例子告訴大家如何在更復雜的情況下操縱 HTML 窗體。
如果您未做進一步的改動即運行該程序，就會注意到它將陷入無休止的循環，沒完沒了地下載同一個頁面。程序不斷地尋找要填充的窗體，並反覆調用 DocumentComplete。要修正這個缺陷，應在 DocumentComplete 中置入一些邏輯，告訴分析器，只有在正確的頁面上才提交窗體。
- 長度。可將其理解爲計數，或集合中項目的數量。
- 接下來，讓我們放入這個邏輯，並引入實際的股票報價。另外，我們不捕獲文本框中的 URL，而是捕獲股票符號：
Private Sub Command1_Click() WebBrowser1.Navigate _ "http://moneycentral.msn.com/home.asp"End Sub Private Sub WebBrowser1_DocumentComplete(ByVal pDisp As Object, URL As Variant) Dim doc As IHTMLDocument2 Set doc = WebBrowser1.Document If URL = "http://moneycentral.msn.com/home.asp" Then '填充帶輸入標記的元素集合 Dim Inputs As IHTMLElementCollection Set Inputs = doc.All.tags("INPUT") '選擇第一個輸入標記 Dim Element As IHTMLElement Set Element = Inputs.Item(1, 1) '使用正確的界面 Dim InputElement As IHTMLInputElement Set InputElement = Element InputElement.Value = Text1.Text '調用該頁第一個窗體上的提交 doc.Forms.Item(0, 0).submit ElseIf URL = _ "http://moneycentral.msn.com/scripts/webquote.dll?ipage=qd&Symbol=" _ & Text1.Text Then Dim Tables As IHTMLElementCollection Set Tables = doc.All.tags("TABLE") '獲得第 14 個表的第二個項目（基於 0） Dim Quote As IHTMLElement Set Quote = _ Tables.Item(14, 14).All.tags("TD").Item(2, 2) '顯示開始標記和結束標記之間的文本 MsgBox Quote.innerText End IfEnd Sub![]()
圖 3.
到了這最後一步，自定義的瀏覽器已被轉入有效的 Web 拆取器。重要的是，要注意有了 IHTMLElement 之後獲得文本的可用選項。有 4 個屬性：
- innerText：開始標記和結束標記之間的文本。
- innerHTML：開始標記和結束標記之間的文本和 HTML。
- outerText：對象的文本。
- outerHTML：對象的文本和 HTML。
還要注意從第 4 個表（基於 0）的第 11 個元素中檢索到的最終報價字符串。如果 MoneyCentral? 決定重新調整該頁怎麼辦？您最好的策略是根據合理的假定來查詢頁面。如果您知道報價幾乎總是放在新聞標題的前面，那麼就從新聞標題往回查詢那個表。還有一種策略是，當更改頁面的格式時，有一種簡單的方法來更新分析器。一種方法就是將分析的職能細分爲較小的組件。每個組件可以實現一個預定義的界面，接受要分析的 IHTMLDocument。與實際的 Web 頁失去同步的分析組件可被替換。這樣帶來的好處是，多個編程人員都可以編寫分析器，只需給定要實現的界面和要拆取的 Web 站點即可。
爲了避免複雜，將 IHTMLDocument 從 DocumentComplete 函數傳遞 COM DLL，後者可以分析 IHTMLDocument 並返回想要的有效負載。這有利於程序的模塊化，並易於更新與 Web 站點失去同步的分析部分。它還使多個開發者能同時處理這個項目，因爲他們有一個乾淨的界面來編寫分析器。
- innerText：開始標記和結束標記之間的文本。
在把新的程序推向市場以前，還有幾個實際問題要考慮。首先，很可能 MoneyCentral 和其他許多站點不願意別人下載他們的內容，也不喜歡看廣告。您可能得與摘取其內容的站點簽訂一份協議。
還有很重要的一點要注意，即如果您是 Web 站點的操作員，那麼還有更好的辦法將您的內容提供給其他系統。雖然可以讓其他人來拆取您的 Web 頁，但這仍很笨拙。還有一個更好的方法是，提供 XML 來表現內容。並且，隨着 XML 被廣泛採用，Web 站點開始提供其數據的 XML 表現形式以及 HTML 界面，也不值得大驚小怪。在這樣的時刻到來之前，您也許還得拆取 Web 頁。Web 頁的拆取往往失之笨拙，但 Microsoft HTML 分析器可令其稍微好一些。