网页分析不求人 附 分析工具 实例

ldy

IE对象精确定位 附分析工具
作者 ExcelHome -ldy  转载请保留 此文的全部或部分欢迎贴在网页上，但要印在纸上，我会上门要版权
http://club.excelhome.net/viewthread.php?tid=377077&page=1
这个自编的小工具，代码简单，但却能帮助你编写出高效的网页填写、提交、读取的代码。
如果你只会用 EXCEL的导入WEB查询，恭喜你，你算是抄上了。
如果你还在用 for  i  = 0 to WebBrowser1.Document.all.length - 1
                    if  WebBrowser1.Document.all(i).xxxx = yyyy  then
                           do some thing……………………
                    end if
             next
这样的句式 来 倒腾网页的话，那么恭喜你了，你的代码有机会精简 提速了。
如果你抄来个代码 WebBrowser1.Document.all("submit").click 在一个网页可以顺利提交
换一个网页就不管用了，你为此而郁闷不已，甚至怀疑自己的“人品”有问题。 那么你可以放心了。你的人品很好
这个小工具可以为你分忧了。
如果你在用察看源文件的方法 分析网页的话，也得恭喜你，太费眼了，注意保护视力。
如果你都用 XMLHTTP 对象处理网页了，也不妨看看，毕竟XMLHTTP 处理某些网页时很痛苦，用IE虽然慢一些，但通用性好
代码编写也容易些。
如果这些你都会………，欢迎补充

回到正题
编写网页的语言很多，语法各异，我们都要去了解，那不可能。IE了解就行了。不管用啥语言编的，IE全都把它装到Document
里头去，我们只要对Document对象分析就好了。
先看看这个，这是我给龙贵人（咱们的前任版主Long_III，现荣升贵宾）写的一段话，应该对大家有帮助，
WebBrowser控件或IE浏览器的Document对象其实就是一个大集合，里面按类别分为N多个子集合。
所有集合都可以同过名称或序号引用，并且各个集合间都有交叉包含的关系。
如果把Document对象 看作一个公司，如果要把这公司的人员分类，可以分出N多种
比如 姓名、工号（1 到10 ） 、性别（2组-男女）、体型（3组，胖、瘦、适中）、性格（N组）、血型（N组）
籍贯、婚否、等等.  如果想指定一个人 可以按姓名、工号 指定。也可以按分类中的序号指定 ，
最胖的人就是 set mm = 公司.体型（“胖”）(1)
最胖的人也可以是 set mm = 公司.工号(23)  '交叉
也可以是 set  mm = 公司.all.(368) '包含 通过所有分类的顺序查找，即使公司中只有几个人，也可能分成上百个顺序。
这个比喻是我自己的理解，要阐述清楚不太容易，况且同样类型的对象，在不同网页上，有些属性 甲网页的有，乙网页的就不一定有。
要从一个陌生的网页上获取数据，也只能通过这个理解，用对象浏览器，或自编个程序去分析，否则也不会知道
Set dmt = myIE.Document.all.tags("table")(13)  这里的序号13 就是需要的对象。
希望这点东西 对龙兄有所帮助。
概念 1 Document 是对象 ，也是个大集合，集合的特点就是可以通过序号引用也可以通过 名称引用 就像 SHEETS(1) 和
SHEETS("sheet1") 一样。
概念 2 Document 大集合中每一个东西（专家称那个为元素、节点）也都是对象
      for  i  = 0 to WebBrowser1.Document.all.length - 1 ' 你可以用一个Variant 变量把它们 set 一个遍
           set  T = WebBrowser1.Document.all(i)
      next
而不会报错，这点好！对不了解的对象可以用Variant 去 SET 后可以在本地窗口中查看有那些属性
常用到的属性
你看到分析表里列出如下属性，这是分析网页经常要用到的。
tagName、typename()、ID、Name、Value、Text、innerText、outertext、nameProp、tagUrn、sourceIndex、href
比较细的介绍写在批注里，还有一个附表，这里简单介绍一下。
tagName相当于VBA中的类名称
typename()这个是VBA的函数，用于查看 WebBrowser1.Document.all(i)在VBA中到底叫啥 也就是该如何写DIM 语句
通常都是这样的 HTMLCommentElement HTMLHtmlElement 大部分以 HTML开头
ID 和 Name ： 查了百度 有个说法 ID是网景公司用的 Name 是微软IE用的。先别管这个说法对错。在VBA窗体里 Name值是唯一的
在网页上Name是可以有重名的，ID也是可以重名的，但这种情况比Name重名的情况少很多。
如果用Name 或 ID 值是唯一的这个惯性思维去处理网页的话，你会很郁闷。
要和VBA窗体中的控件属性比较的话，网页上的 ID相当于 VBA中的 Name（注意：ID也允许重名，但碰到的机会很少）
，网页上的Name 相当于 VBA 中的Caption
在VBA窗体上画10 个按钮必须有10个不同的Name。但你可以把10个按钮的Caption 值都改为CommandButton1
不是每一个对象都有 ID 或 Name ，ID 和 Name之间也没有必然的联系。
有ID 或 Name 的对象好办 假设ID 值为 "ID_bottom"  
那么 set  T = WebBrowser1.Document.all("ID_bottom")
假设 Name 值为 "Nm_bottom"  
那么 set  T = WebBrowser1.Document.all("Nm_bottom")
嗯？没搞错吧 一个是 ID 一个是 Name 用一样的 语句？？！！
对啊。集合的默认属性是Item，我懒,给省了，写全了是 set  T = WebBrowser1.Document.all.Item("Nm_bottom")
……………………………好像答非所问，啊是吧。
这样吧,在代码窗口中引用  Microsoft HTML Object Library ，然后写 Dim dmt As HTMLDocument
再写 dmt.g  后面跟着个列表 getElementsByID  getElementsByName   getElementsByTagName ……………
先看 两个函数  getElementsByID getElementsByName 即使你的英文比我还烂 也能猜出来 一个是用ID 一个是用Name 来获取对象
再用对象浏览器（F2键进入）看看其原型
Function getElementsByID(v As String) As IHTMLElementCollection
Function getElementsByName(v As String) As IHTMLElementCollection
这两个都是用字符串 返回一个集合，即使ID 或Name是唯一的。要引用的话 必须加序号 。而且参数 V 必不可少。
set T = dmt.getElementsByID("submit")(0)
再来看看 dmt.all(  刚打上个左括号 就出来个小提示标签  item([name],[index]) as objct
写过代码、用过函数的你 肯定明白 有方括号的参数是可选的，参数后面没有指明 类型（as xxx）说明可以接受Variant（变体）
name index 这两个单词还好我都认得 名称（字符串） 和 序列（整数）
那这样 dmt.all() 的括号里 就有4 种 排列组合
1 都不写 set T = dmt.all()  或括号都省了 set T = dmt.all 取得大集合 拿咱家VBA版来说，有两千多个项目
2 只写 name 参数 set T = dmt.all("submit") , 注意别让name的参数名把你给忽悠了，此name可不是专指 页面上的Name属性
  ID属性 也一样接受。这样一看 ID 和 Name 倒更像 名 和 字 的关系  关 羽(名ID） 关云长(字Name）
  这个时候 T 是什么？ 那要看页面上有几个 ID 或 Name 是 “submit”的对象了。只有一个, T 就是单一对象，
  如不止一个 T还是一个集合,想要干点什么 就得  T(0).xxxx
3 只写 index 参数 set T = dmt.all(326) index参数取得是页面上的 sourceIndex 属性，一个整数，返回唯一对象。
  那第一次分析确定了sourceIndex属性后，那就可以每次都用它了？ 这个sourceIndex可不靠谱，静态页面还行，大部分页面
  在刷新后页面会有细微变化，看起来似乎一样，但多了些空节点，dmt.all.length 都会不同，这个原因有很多，有偶然的有故意的
  再 set T = dmt.all(326) 很可能就不是你想要的那个对象了。
4 两个 参数都写 set T = dmt.all("submit",1)  效果等于 set T = dmt.all("submit")(1)
  取得唯一对象，既第2个ID 或 Name为 "submit"的对象 （第一个是0）
  比较常见的是后一种写法，前者 一步到位 要第2个submit ， 后者是分两步走 要一堆submit中的第2个
  从语法结构上说，前者要快于后者，但这点差异和网络的反应速度相比，根本不算什么。
   set T = dmt.all.submit(1) 注意：不是字符串，当然这样通过编译器直接调用是最快的，但失去了代码的灵活性
小节一下 dmt.all(xx，yy) 的作用 包含了 getElementsByID getElementsByName 这两个函数的作用，但更傻瓜化，
实为倒腾网页，获取数据的必备良药
慢着慢着，刚刚还看到个 getElementsByTagName 函数，在对象浏览器里看到它的函数原型
Function getElementsByTagName(v As String) As IHTMLElementCollection
也就是通过TagName获取对象集合，那有没有和 getElementsByID getElementsByName 一样的的傻瓜化的写法?
有啊。
都看到这了，顶吧，不顶够意思
续下 附件在后面

[ 本帖最后由 ldy 于 2008-12-7 10:54 编辑 ]

补充内容 (2014-11-5 04:20):
.....

ldy

dmt.all.tags("table")
这个tags也有函数原型
Function tags(tagName) As object
看它的返回值就知道 它也傻，但它只有一个参数，所以傻不过 dmt.all(xx，yy）
Sheet1.Pictures(2).Left = 0   这句代码你如果能理解，可以跳过下面这一段
为了方便理解 先回到工作表界面
新建一个工作簿 在sheet1上画一个按钮 然后通过菜单栏插入随便 2到3幅图片
如果想通过代码移动第二幅图片到最左边 常用得写法 有以下4种
[图片 1].left = 0 或 Evaluate("图片 1").left = 0 或 Shapes("图片 1").left = 0
或 Shapes(3).left = 0 (Shapes(1)是先画的那个按钮 ）
但 Pictures(2).Left = 0 也是一样。 Pictures是隐藏的方法、属性 表示所有插入的图片，并可用序号表示单一的图片
同样 先画上去的“按钮 1”也可以用 Buttons(1) 来表示，类似的隐藏的方法属性还有不少，可以通过对象浏览器查看
Picture， Button 就相当于TagName 不过在网页上叫法有点不一样: FORM IMG INPUT A B DIV FONT TABLE 等等
表达方式 通过tags 来引用 dmt.all.tags("INPUT")(0).TEXT = "ldy" 在第一个个输入框里输入用户名
网页的序号从 0 算起 ，这个跟工作表从1 算起有点不同
Value、Text、innertext、outertext
对象的文字，根据类型反映在不同的属性
如果要填写页面，在输入框里输入类似 11111111
AAAAAA  BBBBBBBB   88888888888888 这样的字
然后再全部分析，再在 分析 表里查找，很容易就能定位那些输入框的 名称，
这样就能确定到底是用 T.value= "ldy"  还是用 T.text= "ldy"
nameProp    通常用来表示子路径
sourceIndex  对象在网页中唯一序号。
Set T = dmt.all(123)
但用这个序号固定写入程序里太不靠谱。
每次刷新都可能不同。某些网页甚至会插入不少的空节点，来打乱原来的序号
（用这种方法来防止代码读取页面资料，不过对于本文读者来说，哈哈哈。。。）
href     对象链接的完整路径。
分析网页常用的属性 也差不多了，还可以用parentElement 取得上级对象 用 children  childNodes取得下级对象
dmt.all(xx,yy)  和 dmt.all.tags(tagname)(index)  两个语句已经能够从 序号 ID Name 类型 4 个方面分析处理网页上的所有对象了
通常在网页上取值 也就是 对 Value、Text、innertext、outertext 这4个属性取值
用 href 属性来获取链接地址
说了这么多 那些tagname ID name 如何得到? 对啊 咱还有工具啊
介绍一下咱的小工具
工作原理就是把页面上的所有对象都过一遍，把常用的属性值显示在工作表上。
说穿了就是把本地窗口中看到的内容节选出来，平面化显示，便于分析
还可以进一步细化 通过“指定 tags 分析” 可以选择 只分析 “Table”
还可以 通过“指定ID、Name分析” 可以选择 只分析 某个ID 或 名称
工作表上有ActiveCell, 页面上同样有activeElement 就是被点中（有焦点）的的对象 可以通过“activeElement简介” 了解 ID 、Name
序号 和 类型（tagname），如果是文本框直接点进去就行，但如果是个按钮或是个链接，点它的话会打开链接
同时也就失去焦点了，这里操作上有个小技巧，不要用左键去点，用右键点，对于弹出的右键菜单不用理会，这样既选中了按钮,
又不会打开链接。这时再去点击“activeElement简介”按钮 就会看到相关的信息, 这个对于填写、提交页面非常有用
具体操作
在分析表中 点击按钮打开窗体。
地址栏里是一个 百度股票行情的地址，就以此为例吧，直接按回车键 ，等页面完全打开。
点 全部分析 按钮，大概等几秒钟吧，分析表上列出了700多行数据，在看看页面上，内容很丰富，但我们想要的就是那张表格里的东西
700多行，那些是我需要的？ 用EXCEL的查找功能 按 ctrl+f 调出查找框 输入 在页面表格上看到的任何一个股票名称，然后逐一查找
你会发现很多单元格里都有这个 股票名称 ，有些事一大堆文字包含很多无用信息，有些仅有这一只股票的全部信息，不全
1600301南化股份4.16 4.20  4.15 - 4.58 4.58 10.10% 30102 1365 10.34%  
看看它的 tagname --> 是 TR ，VBA的类型是 HTMLTableRow，Row ？？很熟悉啊 记住了以后有用，再看下一行的 VBA类型
是 HTMLTableCell，Cell ？？ 这个更熟悉了。
继续查找，找到了这个单元格里有那个表上的的 列标题和全部内容，一点多余的东西都没有，纯的，哈哈就它了。
"序号代码股票名称昨收盘今开盘今低 - 今高当前价涨跌幅成交量金额振幅相关
1600301南化股份4.16 4.20  4.15 - 4.58 4.58 10.10% 30102 1365 10.34%  
2600844丹化科技13.52 13.83  13.72 - 14.87 14.87 9.99% 30357 4340 8.51%  
3600543莫高股份8.04 8.04  8.00 - 8.84 8.84 9.96% 40968 3560 10.45%  
4600070浙江富润3.83 3.80  3.80 - 4.21 4.21 9.92% 28934 1179 10.70%  
5600452涪陵电力3.94 4.17  4.17 - 4.33 4.33 9.90% 15570 672 4.06%  
6600505西昌电力3.44 3.55  3.55 - 3.78 3.78 9.88% 34011 1282 6.69%  
7600208新湖中宝3.42 3.49  3.45 - 3.74 3.69 7.89% 314349 11239 8.48%  
8600285羚锐股份4.57 4.55  4.46 - 5.03 4.90 7.22% 101748 4889 12.47%  
9600088中视传媒9.85 9.60  9.59 - 10.80 10.44 5.99% 92506 9614 12.28%  
10600739辽宁成大13.25 13.20  13.18 - 14.58 14.03 5.89% 301154 43172 10.57%  
11600425青松建化5.20 5.22  5.08 - 5.50 5.50 5.77% 22820 1214 8.08%  
12600251冠农股份25.23 25.29  25.29 - 27.37 26.62 5.51% 36248 9589 8.24%  
13600808马钢股份3.90 3.90  3.87 - 4.12 4.11 5.38% 190525 7677 6.41%  
14600021上海电力3.55 3.62  3.62 - 3.88 3.74 5.35% 101182 3822 7.32%  
15600382广东明珠4.97 4.97  4.97 - 5.25 5.23 5.23% 34268 1764 5.63%  "
看看它的 tagname --> 是 TABLE ，VBA的类型是 HTMLTable，Table ？？不就是表格的意思吗，但它的innertext中的数据全都紧贴在一起
如果编个自定义函数去拆分它，想着就头痛。刚才都"熟悉"两回了，要是还没有点联想，唉。。。保重吧…………
现在用指定tags分析，看那网页上有多少个 table，点击“清空分析结果”按钮，在左边第一个列表框里选中table，点击指定tags分析
按钮，这次很快，分析表上的2--7 行列出了6个table的信息中发现第 5 个就是所需要的table，在分析表的第6行
这里有一个简单的减法 ，用不着从0数下来， 所在行号-2 就是它在 集合里的序号 你要想把这个 table set 到一个 变量里
就该这样 set T = dmt.all.tags("table")(4)  这是分析完以后写道程序里的，现在还不用。
看看它的sourceIndex 是286(当前是，过几分钟或下次再打开这个页面就不一定是了，所以说它 不靠谱，这个页面会自动刷新)
现在要用到“指定序号分析”了，看到这个按钮了吗？ 下面有一个文本框，输入286 点击“指定序号分析”
这时 自动切换到的代码界面，要从本地窗口中看看这个T 都有什么东西了。
你没有本地窗口？？  你一定是初学者，那你太幸运了，要是我在初学VBA的时候能看到这样一篇文章，估计我现在都会飞了。
别不好意思，我也是学VBA半年后才会在 代码界面 的 视图菜单 中找到用 本地窗口 的，又过了3个月才明白它的妙处。
本地窗口中 看到一个 T 前面有个+号，点击+号展开………… 100 多个属性，都是按字母顺序排列的，先找熟悉的吧，
很快，看到个 cells 属性，前面也有个+号，点开，看到length属性（相当于VBA中的count）=192，下面跟着 Item1到 Item192，
前面也都有个+号 。这个表 16行 12 列  16*12可不就等于 192，还是要编个函数去去拆分？？
对了，还有个熟人 row，刚才cell 变cells 那row不会也变成 rows吧？ 果然有个rows 点开+号 length =16 刚好16 行，跟着item1-16
点开item1的+号，又是100多属性，再次见到熟人，也有cells 点开+号  length = 12 嘿嘿，刚好12列，跟着item1-12 再点开 item1的+号
又是一堆属性，怎么老是这么多属性，看吧，……
看到 "序号"了 ，又看到"序号"，又看到"序号"，好几个地方都写着"序号",回头瞄了一眼网页上的那个表，第1行第1列 正是 "序号"
至此 这个table的中的有用数据是如何存放的 都搞清楚了,其他数据用两个循环嵌套就像在工作表中取值一样。一串简洁高效的代码出现了
    Set dmt = WebBrowser1.Document
    Set R = dmt.all.tags("table")(4).Rows
    For i = 0 To R.Length - 1
        For j = 0 To R(i).Cells.Length - 1
            Sheet3.Cells(i + 1, j + 1) = R(i).Cells(j).innerText
        Next
    Next
我们分析出来dmt.all.tags("table")(4) 就是所需要的数据，百度是大公司，通常不会去改变这个结构。但如果是其他公司的网页，
可能会增加广告、通知什么的，就有可能增加table的数量，今天 dmt.all.tags("table")(4) ，明天4就可能要改成5 或 6
对这种变化较频繁的页面，就要用循环判断table的特征来确定到底是 4 还是 5 或 6  ,这样可以延长代码的有效期。
像这个表可以用文字特征来判断。
    Set dmt = WebBrowser1.Document
    for i = 0 to  dmt.all.tags("table").length - 1
        if  instr(dmt.all.tags("table")(i).innertext,"序号代码股票名称") > 0 then x = i
    Next
    Set R = dmt.all.tags("table")(x).Rows
    For i = 0 To R.Length - 1
        For j = 0 To R(i).Cells.Length - 1
            Sheet3.Cells(i + 1, j + 1) = R(i).Cells(j).innerText
        Next
    Next' 在工具文件窗体上有这个例子
table 是网页中的主要元素，几乎每个网页都有，刷新页面总元素数量可能变化，但table的数量一般不会变。
对于网页分析，没有任何绝对的东西，上面这段代码的有效期 取决于百度何时更改table的特征。比如那天百度疯了，序号不叫序号
改叫名次，这是涨幅榜叫名次也没错，代码 给加两个字 叫 股票代码， 股票名称 给减两个字 叫名称，那我们也只好修改判断语句了。
最后 注意多Froms的网页，你需要的数据可能在其中一个Forms里，通过Set R = dmt.all(index) 不一定能取到值
这时需要 Set R = dmt.Forms(2).all(index) 其他的语法方法不变
写这些东西太累，暂时打住吧，一般的网页通过上述这些方法可以无障碍的读取操作了。

网页分析工具.rar (53.56 KB, 下载次数: 5487)

2008-12-5 11:01 上传

点击文件名下载附件

老的附件中有一些测试时的引用，并不起作用，在某些电脑上报错，下面这个是修正过的。
网页分析工具.rar (28.51 KB, 下载次数: 10031)

2009-6-6 17:31 上传

点击文件名下载附件

附录1 不弹出新窗口，在原窗口显示页面

1. 
   
2. Private Sub WebBrowser1_NewWindow2(ppDisp As Object, Cancel As Boolean)
   
3.     Cancel = True
   
4.     WebBrowser1.Navigate2 WebBrowser1.Document.activeElement.href
   
5. End Sub
   

复制代码

'    直接把WebBrowser的silent设置成true就没有脚本错误提示了...
    WebBrowser1.Silent = True


最近很多坛友问起网页中框架的问题，其实并不难，简单整理如下

关于多框架页面的分析、引用
这个工具是个单页面分析工具，对于嵌套的框架 分析结果以一个 FRAME 对象表示
要对框架中的内容操作需要继续分析，下面是几个常用语法
L = WebBrowser1.Document.frames.length  '页面中有几个框架
set dmt1= WebBrowser1.Document.frames(0).Document '取得第一个 子框架的文档对象
s = WebBrowser1.Document.frames(0).location '子框架的地址 相当于右键 单击属性
可以通过这个子网址 继续分析。
分析后的完整引用语法： WebBrowser1.Document.frames(0).Document.all("input").value = "ldy"


2009-7-18


百度的页面已调整，

Private Sub UserForm_Initialize() 中的语句

TextBox40 = "http://stock.baidu.com/cn/sort_all.php?sh_sz=0&isB=0&order=-10&PageNo=1"

请照此修改
TextBox40 ="http://baidu.hexun.com/stock/sort_all.php?sh_sz=0&isB=0"



[ 本帖最后由 ldy 于 2008-12-5 11:01 编辑 ]

[ 本帖最后由 ldy 于 2009-6-6 17:31 编辑 ]

[ 本帖最后由 ldy 于 2009-7-18 17:56 编辑 ]

[ 本帖最后由 ldy 于 2009-11-4 17:34 编辑 ]

ldy

如果你所处理的网页，不能通过这个工具得到结论，欢迎跟帖讨论

[ 本帖最后由 ldy 于 2008-12-5 18:44 编辑 ]

Moneky

学习一下，真的不顶不让看吗？试试

episode9

感谢EXCELHOME,感谢IDY,,还要感谢winland、狼版主，还有其他-----，提供优秀平台，教程。

xyhecho

thanks! thank excelhome!

yes2boy

i want to study, so i must reply you

蓝桥玄霜

精华好帖，谢谢版主了。

zzz123

正需要這方面的分析，感謝版主無私的分享。

kzb

学习一下谢谢