.NET 使用 mshtml 解析 HTML：WebClient + HTMLDocumentClass 實作

前言

在 .NET 中解析 HTML 文件，常見做法有 HtmlAgilityPack、AngleSharp 等第三方庫。若不想引入外部依賴，可使用 Windows 內建的 mshtml (Microsoft HTML Object Library)，即 IE/MSHTML 解析引擎的 COM 包裝。本文示範如何透過 WebClient 下載網頁，再用 HTMLDocumentClass 解析標題、Body 文字等資訊。

準備工作

1. 專案右鍵 → 加入參考 → COM → 搜尋 Microsoft HTML Object Library → 勾選 mshtml。
2. 引用後會在 bin 產生 Microsoft.mshtml.dll (Interop 組件)。
3. 若部署至無 IE 的 Server Core 環境，mshtml 可能無法運作；建議改用 HtmlAgilityPack。

核心程式碼

using System;
using System.Net;
using System.Text;
using mshtml; // 命名空間

class HtmlParserDemo
{
    static void Main()
    {
        string url = "https://www.jb51.net/web/73969.html";

        // 1. 下載 HTML 內容
        using (var wc = new WebClient())
        {
            wc.Encoding = Encoding.UTF8; // 關鍵：指定編碼，避免亂碼
            string html = wc.DownloadString(url);

            // 2. 建立 MSHTML 文件物件
            var doc = new HTMLDocumentClass();
            
            // 3. 關鍵設定：designMode = "on" 防止腳本執行、圖片下載、跳轉等副作用
            doc.designMode = "on";
            
            // 4. 寫入 HTML 字串
            // IHTMLDocument2_write 接受 object[]，需用反射或 dynamic 呼叫
            // 簡易寫法：dynamic doc2 = doc; doc2.write(html);
            dynamic doc2 = doc;
            doc2.write(html);
            
            // 5. 關閉寫入流
            doc2.close();

            // 6. 擷取資訊
            Console.WriteLine("Title: " + doc.title);
            Console.WriteLine("Body Text (前500字): " + doc.body?.innerText?.Substring(0, Math.Min(500, doc.body.innerText.Length)));
            
            // 7. 進階：查詢特定元素
            // var links = doc.getElementsByTagName("a");
            // foreach (IHTMLElement link in links) Console.WriteLine(link.getAttribute("href"));
        }

        Console.ReadKey();
    }
}

關鍵 API 說明

進階：使用 IHTMLDocument3 的 createDocumentFromUrl (非同步載入)

// 此方法會自動下載並解析，但較難控制編碼與逾時，不建議生產環境使用
var doc3 = (IHTMLDocument3)new HTMLDocumentClass();
doc3.createDocumentFromUrl(url, null);
// 需等待 readyState == "complete"，可用事件或輪詢

編碼處理最佳實務

1. WebClient.Encoding = Encoding.UTF8：強制以 UTF-8 解碼位元組。
2. 若網頁宣告非 UTF-8（如 Big5），需先 DownloadData 取得 byte[]，再用 Encoding.GetEncoding("big5").GetString(bytes)。
3. MSHTML 內部以 Unicode 儲存，寫入時已轉換完成。

替代方案比較（強烈建議）

HtmlAgilityPack 快速上手（推薦替代）

// NuGet: Install-Package HtmlAgilityPack
using HtmlAgilityPack;

var web = new HtmlWeb();
var doc = web.Load(url); // 自動處理編碼、重導向、Cookie

Console.WriteLine(doc.DocumentNode.SelectSingleNode("//title").InnerText);
Console.WriteLine(doc.DocumentNode.SelectSingleNode("//body").InnerText.Substring(0, 500));

// XPath 查詢所有連結
foreach (var link in doc.DocumentNode.SelectNodes("//a[@href]"))
    Console.WriteLine(link.GetAttributeValue("href", ""));

常見問題排除

1. 「找不到 mshtml」/ 型別載入失敗：確認專案參考 → COM → Microsoft HTML Object Library 已勾選，且 Embed Interop Types = False (預設)。
2. 中文亂碼：檢查 WebClient.Encoding 是否正確設定；若網頁無 charset meta，嘗試自動偵測 (HtmlAgilityPack 內建)。
3. 腳本錯誤彈窗/卡住：務必設定 doc.designMode = "on" 在 write 之前。
4. 存取 body.innerText 為 null：HTML 可能無 <body> 標籤，需先檢查 doc.body != null。
5. 多執行緒呼叫：MSHTML 為 STA COM 物件，不可跨執行緒共用 HTMLDocumentClass 實例，每個執行緒需自行建立。

總結

• mshtml 提供無第三方依賴的 HTML 解析能力，適合極度受限環境、舊專案維護。
• 核心流程：WebClient.DownloadString → new HTMLDocumentClass() → designMode="on" → write(html) → close() → 讀取 title/body.innerText。
• 新專案請直接使用 HtmlAgilityPack 或 AngleSharp，開發效能、穩定性、部署便利性全面優於 mshtml。