本文将为你提供了一个强大而灵活的方法，旨在从现有的HTML文件中提取并组合成有意义的数据。

HTML和Web已经永远地改变了人们通信与沟通的方式，HTML对人们来说很方便，它使得信息更易于查看和航行，但遗憾的是，它对计算机之间的交流就远远没有那么方便了：Web页面上由于层的实现代码，使得计算机系统都难以找到和使用数据。这时，XML应运而生，它承诺要对计算机系统之间通信的方式起到同样的作用，XML将成为信息在不同计算机系统之间流动的公用语言。应用本文中介绍的简单编程技术，你可以将任何HTML页面转换成一个XML数据源。

例程说明
想象有一个花店，每个星期都要根据价格从3个鲜花批发商中的一个进货。每个星期，店主都要查看每个批发商的Web站点来找到最低的价格。店主想把这三个批发商的价格信息都组合到一个Web页面中来简化他搜索的过程。

下面就示范如何从3个Web页面中提取信息并且将它们结合到一个单一的XML文档中。我们为这个例子创建了3个鲜花批发商的页面：

<>
<>
<>

出于示范目的，每次访问页面时，每个页面上的价格都会改变。另外，由于Web页面经常会把相关数据放在HTML表格中，样本页面和应用程序将着重从表格中而不是从其它标记中恢复信息。

解决方案
下表包含了一个含有你需要的数据的样本XML文件Flowers.xml：

<Flowers><Flower><Vendor>FakeFlowers</Vendor><Name>Daffodil</Name>
<Price>$2.00</Price></Flower>
<Flower><Vendor>FictitiousFlowers</Vendor><Name>Daffodil</Name><Price>$5.00</Price>
</Flower>
<Flower><Vendor>PretendFlowers</Vendor>
<Name>Daffodil</Name><Price>$3.50</Price></Flower>
</Flowers>


现在你需要编写代码，直接从相应的批发商Web站点中提取鲜花的名称和价格。一个解决方案是在XML文档中放置特殊的标记，以后用站点中的值来代替。这种方法与XSL相同。要想这样做，你可以定义一个新的元语言，它可让你向XML中增加可替换的标记。
这个新的元语言需要完成以下任务：

识别文档，以便知道它是在使用这个语言
提供一个方法，以指定包含着你想恢复数据的Web页面
指定如何从每个页面恢复特定的数据元素。下面的例子提取前一个XML文件，并且包含了新的元语言标记来完成上面所列举的3个目标：
<WG:Documentxmlns:WG="">
<Flowers>
<WG:Templateurl="">
<Flower>
<Vendor>FakeFlowers</Vendor>
<Name><WG:GetTableElementpos="1"row="8"col="1"/></Name>
<Price><WG:GetTableElementpos="1"row="8"col="4"/></Price>
</Flower>
</WG:Template>
<WG:Templateurl="">
<Flower>
<Vendor>FictitiousFlowers</Vendor>
<Name><WG:GetTableElementpos="1"row="6"col="2"/></Name>
<Price><WG:GetTableElementpos="1"row="6"col="3"/></Price>
</Flower>
</WG:Template>
<WG:Templateurl="">
<Flower>
<Vendor>PretendFlowers</Vendor>
<Name><WG:GetTableElementpos="1"row="3"col="1"/></Name>
<Price><WG:GetTableElementpos="1"row="3"col="4"/></Price>
</Flower>
</WG:Template>
</Flowers>
</WG:Document>

第二个XML例子有一个包裹元素叫做Document，放置在原始XML的两头。Document元素为这个叫做WebGather的新元语言定义了名称空间。WebGatherSchema.xml文件中定义了WebGather语言元素：

<!—WebGatherschema-->
<Schemaxmlns="urn:schemas-microsoft-com:xml-data">
<elementtype='Document'>
<elementtype='Template'>
<attributetype='url'/>
<elementtype='GetTableElement'>
<attributetype='pos'/>
<attributetype='row'/>
<attributetype='col'/>
</element>
</element>
</element>
</Schema>

WebGatherschema允许使用三种类型的XML元素：Template（模板）元素只有一个属性"URL"，它定义了包含数据的源Web页面。GetTableElement标记是一个在Template元素中定义的页面内表格中一个单元的内容占位符。GetTableElement标记有三个属性，第一个属性叫做"pos"，它定义了HTMLWeb页面中表格元素的索引号，其中第一个表格就是1；"row"和"col"属性定义了包含数据的表格中的单元。

具体实现
元语言需要执行才能起作用。我使用了一个VisualBasicDLL工程文件，其中只包含了一个类叫做MetaGather。这个类使用了一个公共方法，叫做Transform，它接收一个XML字符串，其中包含WebGather标记，它取代带有来自指定Web页面值的那些标记，生成XML字符串。这个类使用了MicrosoftInternetExplorer控件来恢复Web页面，并从XML字符串参数中的Template标记中读取包含数据的页面URL。

PrivateFunctionLoadPage_
(ByValstrURLAsString)AsBoolean
'Initializethedownloadcompleteflag
m_bDownloadComplete=False

'Loadthepagetomakesureits
'notthecachedversion
m_IE.NavigatestrURL,4

'Waituntildocumentfinishesloading
Whilem_IE.ReadyState<>READYSTATE_COMPLETE
DoEvents
Wend

'Checkifyouendedupontheerrorpage
Ifm_IE.Document.Title=_
"Thepagecannotbefound"Or_
m_IE.Document.Title="Nopagetodisplay"_
Then
LoadPage=False
Else
LoadPage=True