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% {, A1 u! y- ]比如：
% S. c' u9 R0 L2 m% z1 m, ghttp://a.com/b
( i& U% u& i/ F5 Ehttp://a.com/bb.html
' v% z% @6 _6 r2 {3 Q  }3 [% M5 a能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   1 }$ m3 t: o- J: _, f9 L, V& h# p
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   ! _4 z- J% N2 M# A% W8 e. V
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   & }: H& C/ ?2 }/ d
8.                 if (strhtml != "error")
   * ]' t5 ~' Q8 [) h3 E
9.                 {
   % f" Y( U. e& ^8 X3 Y
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)
    2 I9 e! T* P) m0 c% J
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    + }5 p2 A9 w0 r+ L% K
16.                         string fullUrl = "";
    - d; t; G' j7 C) L5 H$ k  [5 w
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    7 \  A: M# f) a6 U
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    7 W# V" m/ j" y) ?" H' l# ]/ r7 N0 l
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    " ?8 y; B2 Q2 `2 e/ K
31.                 }
    
32.             }
    
33.             catch (Exception ex)
      _6 B9 w" D! `, v% p
34.             { }
    
35.             return allHref;
    7 P' V3 s' b' }$ N' \
36.         }
    2 q. w1 B; J1 q
37.         #endregion

复制代码

$ `9 F% Z7 Q6 q: }, E

1. 
   7 d9 w7 E9 K6 ~0 {! [
2. 
   ! C8 ^6 O+ T- F$ f
3. 
   8 m) V( m5 r+ z% a3 u$ G# L
4. #region 数据去重
   , i% }2 l' V1 l5 Q
5.         /// <summary>
   8 T0 }. E- M6 B0 l/ K
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   , p/ g+ u. }! n- B& ^: O/ @/ t+ p
9.         /// <returns></returns>
   * w) M  O0 ]( ^
10.         public static List<string> getUnqueList(List<string> list)
      x* ^5 \1 \* M6 H. k
11.         {
    4 Z7 O5 a: ]. y* C$ d# e, k( g
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    + q6 g% Y% S3 @- W3 Y8 H- m& P
15.             {
    1 J, r5 _  R' G; Y1 B4 h$ V
16.                 if (!hash.ContainsKey(s))
    8 G0 o. {& S% s
17.                 {
    
18.                     hash.Add(s, s);
    # U% j5 i+ D% B  y& K
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    5 }( s$ X7 y0 q' c
24.             return list1;
    ( e* J" b: l$ z0 k( \
25.         }
    % U  D& c( }* k# {# i8 R+ }" N% m
26.         #endregion

复制代码

! z$ p) S7 m+ p0 Q3 U4 ]

guys

李小冲 发表于 2016-2-26 16:17

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！！

7 n& T. y9 _: d- d缺少一个gethtml,用下面这个：
+ O* a" F8 b+ a& t5 [5 E; a, n

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
   * n% L4 Y5 h; U& {5 D- j9 e) X
2.         {
   + s' w: t5 n; k
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   + b% {) {' o8 \+ u+ d2 a+ _) }& K
7.                 // 需要注意的：
   " {7 w1 K( ^- E) h; [+ |. x' G, e4 C
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
   
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   
10.                 // webclient.Headers.Add("Cookie", cookie);
    ( h5 [$ \+ q% X* y! K) [( A7 X) G
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    : t0 ^% e4 V0 K( a+ G3 ]
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)");
    ; H  l2 C! f3 N; o" M. S, e7 F
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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    1 m1 ^; k* M' h
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;
    ' \8 [  b5 {) j8 x; O2 p
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）
    ( A" Y9 }9 g. `- }
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    4 D( Q6 K# ^; d- S. E& _
22. 
    
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);
    2 {4 M( J8 m. N( J
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    / f) ]% |( S5 r% T/ Q8 T
26.                 if (charSet == null || charSet == "")
    / r5 n7 d0 {) ?' L7 Z
27.                     charSet = webCharSet;
    8 v& U, F1 D- w/ M
28.                 if (charSet.Length > 0)
    8 k$ c' w$ p, j# x; s
29.                 {
    ; l4 ?: A! k) p% z, w( z$ Y
30.                     charSet = charSet.Replace(""", "");
    3 E5 J2 ^, o% w8 I% D9 ]% Z* S
31.                 }
    
32.                 if (UseUTF8CharSet)
    . _3 D3 S4 w  h; p' }& H7 `% T
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    5 g5 j$ J2 F6 z1 }. F) ~0 `( R
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    + `" n- d& p* u% {
38.                 }
    ) |; F! v. ]7 ^1 Y* Z2 {
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    4 O  ], u9 |& J* e
44.             {
    
45.                 strWebData = "error";
    
46.             }
    ! K$ [0 Z0 ]' N! T* Y8 l
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane