mshtml获取meta信息-创新互联

为了计算文本与标题相似度，需要用到标题文本。而爬数据的时候将文件名设置为url而没有用网页标题来存，所以需要解析网页提取，工程在.net平台下利用webbrowser实现的，用到了微软的mshtml。

用IHTMLDocument2.title倒是可以获得标题，但是它取得的标题有时会包含网站名如： Colorado shooting suspect sent to trial | World news | guardian.co.uk

为了计算准确，希望只有当前主题网页中的标题就是只有Colorado shooting suspect sent to trial。观察html发现一般主题网页的meta信息中会有不包含网站名的title，在格式如下的一个标签里。于是用正则匹配IHTMLElement的outerhtml，尝试各种正则都没匹配到。

原来outerhtml中只有body结点中的html，并不包含meta信息。然后google查有什么方法获得meta中的内容，发现一个解决方法http://forums.asp.net/p/1455331/3332061.aspx。关键代码贴在这里：

foreach (IHTMLElement el in (IHTMLElementCollection)doc.all) 
       { 
           // check to see if all the desired attributes were found with the correct values 
           bool qualify = true; 
           if (el.tagName == "META") 
           { 
               HTMLMetaElement meta = (HTMLMetaElement)el; 
               Response.Write("Content " + meta.content +"
"); 
           } 

利用IHTMLDocument2可以获得所有标签信息，包括meta中的。然后再用正则或者字符串匹配在其中找相应的title信息，完成。

创新互联www.cdcxhl.cn，专业提供香港、美国云服务器，动态BGP最优骨干路由自动选择，持续稳定高效的网络助力业务部署。公司持有工信部办法的idc、isp许可证， 机房独有T级流量清洗系统配攻击溯源，准确进行流量调度，确保服务器高可用性。佳节活动现已开启，新人活动云服务器买多久送多久。