求推荐一个一键提取网站里面的URL且根据域名去重复的小...

guys

求推荐一个一键提取网站里面的URL且根据域名去重复的小工具
! r% ]& O% U9 d1 z5 ?: p% q/ t" @# l" X比如：
2 l5 D$ a& ]4 T) U- vhttp://a.com/b
http://a.com/bb.html
" D' W& x: {3 W, U0 L3 Q7 g: g" F能自动去重复
8 m- g( B2 T: F' y, T

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   : h1 I8 S8 T$ h, S8 h4 i
3.         {
   " B* O7 n# N: ]9 o' h
4.             List<string> allHref = new List<string>();
   6 I* O; Y% |0 P& ~! m; v5 K0 o
5.             try
   - j. `1 G9 Z& I3 R; l6 F5 d5 W; X
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   # @  ?$ \; @* c: R: R; |
8.                 if (strhtml != "error")
   - w( O/ r3 p2 J4 S
9.                 {
   . F6 U+ E! `* V: J2 G0 Z
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    8 ~6 _7 ?- B3 `) N7 c3 W
14.                         Uri uri = new Uri(url);
    ! D$ X( S4 T: u" l8 o5 u. D/ _
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    3 p$ \, k( B: a/ v- N
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    $ b. Z+ Q, y& t0 j1 v/ u1 U
19.                             fullUrl = m.Groups["url"].Value;
    # ~: D* l/ y! ~  s0 V+ z: e
20.                         }
    
21.                         else
    
22.                         {
    ' I7 B* \# {9 D& x& a3 j
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    % n& y; `& |  \) \6 Y: s, D' R( Q
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    ! Y$ T, W/ F7 E8 n/ i6 N
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
      g6 |( h. q6 {6 I9 z! w6 h
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    + y4 G( D7 G- Q6 x9 h
32.             }
    0 k9 K3 V5 ?* t' F) @
33.             catch (Exception ex)
    8 I  ?0 K/ K  ~8 h
34.             { }
    % E/ Y7 a" G$ {$ m9 M. p
35.             return allHref;
    ; F3 a% D1 S% W
36.         }
    % g9 ?2 i* T+ ^+ f
37.         #endregion

复制代码

- K4 @* m- C. q3 P6 n% ?; ]

1. 
   + C/ G* _1 p2 g' Z& N" J" C; X
2. 
   
3. 
   & g* a0 R; h' F& _. F
4. #region 数据去重
   5 H! n  g. H4 y) y
5.         /// <summary>
   # b4 t; d0 C# m# X
6.         /// List<string>去重
   ( `  C& e3 |) d1 d0 d( r
7.         /// </summary>
   ' Z& Y: s! e& Y" h
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
     E3 b  t/ @8 ]+ q4 s5 @) r" z
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    : |/ T8 ^6 f1 o$ P* _& E) D, }% N
12.             List<string> list1 = new List<string>();
    1 D* D! f5 K1 P% \5 q- W
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    * ~; a; h$ P. J4 @( d) w; S6 d# K
17.                 {
    + m# L- x' B; z7 G3 u- e& ^0 H
18.                     hash.Add(s, s);
    # H7 [1 G! u7 C, n" X
19.                     list1.Add(s);
    9 l" m$ O! w3 d6 d
20.                 }
    6 y# _  r0 N, ]- ^" J) m
21.             }
    $ l5 w2 b4 Z% g& h5 a; Y/ L4 ]. O
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

7 z8 x0 O0 \: U5 u
2 m# s( e" U  r5 W" Z  _* n

guys

李小冲 发表于 2016-2-26 16:17

* w$ G$ c8 N% y, }十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
十分感谢！！！非常感谢！！

4 P, t; v$ A/ s+ d* R) Z/ F缺少一个gethtml,用下面这个：
  `; |% o( n6 r' C

1.      public string getHtml(string url, string charSet, bool UseUTF8CharSet)//url是要访问的网站地址，charSet是目标网页的编码，如果传入的是null或者""，那就自动分析网页的编码
   
2.         {
   
3.             string strWebData = "error";
   " n$ y  R" d' C8 g% [5 V& [
4.             try
   ; f& Z" d9 r( J9 M5 V
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   % N% a) ~7 v, U" u# B+ |
7.                 // 需要注意的：
   
8.                 //有的网页可能下不下来，有种种原因比如需要cookie,编码问题等等
   8 G) {! A6 S! Y9 J6 D: r7 |7 J8 \6 F) L
9.                 //这是就要具体问题具体分析比如在头部加入cookie
     U: O: m# f( b) L5 V: j
10.                 // webclient.Headers.Add("Cookie", cookie);
    
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    
12.                 myWebClient.Headers.Add("User-agent", "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)");
    5 @9 |. B$ `' s% ^' U; h2 Y, P
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    
14.                 //获取或设置用于对向 Internet 资源的请求进行身份验证的网络凭据。
    ) p5 C7 \! k1 c! W8 E% h' p
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    - C5 u3 d3 Z0 c
19.                 //从资源下载数据并返回字节数组。（加@是因为网址中间有"/"符号）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    + T" D' \: i' n1 z! |, M) A  }: [0 q, l
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ' X, {' D4 D2 k/ f7 z
22. 
    " e/ \1 G4 H) t
23.                 //获取网页字符编码描述信息
    
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    " e# G! N, _; T/ a! @/ e
26.                 if (charSet == null || charSet == "")
    7 _; S& o+ g+ n/ G: M. N; h6 F
27.                     charSet = webCharSet;
    ( ?9 l" _+ R% C' y
28.                 if (charSet.Length > 0)
    
29.                 {
    & Q7 ~% f+ t; Y3 i' H
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    : I$ B" t6 X- `( ]% Z: d: e- ]
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    & v8 \8 C* Q' j+ m. z* n) C, B
35.                     {
    8 p# |' G! @, o/ {, t$ R* b) p8 h
36.                         charSet = "utf-8";
    : ~( j7 S8 H3 d1 V+ o% @% u
37.                     }
    - e, B) w9 j: y4 b8 Z7 `& L
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    " V$ |$ z3 S- A  i% z3 W" [! y) T
41. 
    
42.             }
    ) ~7 R2 ]1 U7 n7 ^2 p* X
43.             catch (Exception)
    
44.             {
    + k, Q: D. _+ a+ p% r) A% L
45.                 strWebData = "error";
    
46.             }
    
47. 
    6 B3 U* ^' a" L
48.             return strWebData;
    
49.         }

复制代码

9 h8 W# z. o: D5 M

PowcAncn

weishaneweishane