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
0 ?0 Q, ]+ h6 S4 y( O比如：
http://a.com/b
! ]# a) s" h8 n! q2 O8 C9 vhttp://a.com/bb.html
3 D* D( T, _- F. e能自动去重复
! I/ M* S4 u1 f% f9 n) E5 g

李小冲

1. #region 抓取全站链接
   5 h) t9 X9 C3 n/ ^- g6 A( u
2.         public static List<string> GetAllHref(string url)
   # M. X  d6 I$ W. b
3.         {
   + g$ Z+ g. S" D) _7 H
4.             List<string> allHref = new List<string>();
   
5.             try
   + C" N" ~- C) n* x8 i; y
6.             {
   , b, X/ Y; ]: o8 W5 x
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   7 W0 X8 b8 a, O, R
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    * R; r" ~# s; F) X- w: X
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    ! M, ?' D* D! ^3 u$ t& K
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    & T) O* t1 Y; b
19.                             fullUrl = m.Groups["url"].Value;
    $ u* ?% d' e- C3 E* S
20.                         }
    * X( [5 @) J/ b( o
21.                         else
    4 A6 I. j" t- G$ O
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    % o# `9 X' V7 B) t0 c
24.                         }
    & ]; @# y, K+ }2 [
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);
    ! \  i" K3 `& ?) F8 R
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ' r1 E- e2 |& d
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    7 q4 Q% A% L: e# ^  H8 j
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    # e9 @* p% ?! p4 F% T* _$ [3 g! D
36.         }
    
37.         #endregion

复制代码

( M3 H* f' h7 D6 V, l4 s+ p

1. 
   5 O  D; H- F3 H' y" c% Y
2. 
   # b4 x5 B$ a$ H) x0 E- ]
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   + t* O+ k+ o. e  a
6.         /// List<string>去重
   
7.         /// </summary>
   4 X# K9 w# V0 `
8.         /// <param name="list"></param>
   2 ?: t* u$ E3 A3 q( U1 Y
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    4 x) B2 y  S9 z6 A' g. N
11.         {
    
12.             List<string> list1 = new List<string>();
    ; X9 q4 Q3 I7 X2 V7 t
13.             Hashtable hash = new Hashtable();
    & O( r" C. F& _
14.             foreach (string s in list)
    ) H2 i* r" Z& x& }. M7 [
15.             {
    2 D' o% G: L4 N& f, B
16.                 if (!hash.ContainsKey(s))
    ( {$ q2 O1 Y  ]& k2 d
17.                 {
    
18.                     hash.Add(s, s);
    + R! Q4 ~7 \; M. y" Q
19.                     list1.Add(s);
    8 _& Q( T2 T: D
20.                 }
    
21.             }
    ' q- y, a0 b& p0 S  i* `) I
22.             hash.Clear();
    1 t3 i$ S! q: I3 V6 m9 C8 O4 ~
23.             hash = null;
    " P% Z% n+ m9 }: ]7 e
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

7 q6 W4 y* O3 N: w2 Z4 q: \3 g0 G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！！

缺少一个gethtml,用下面这个：

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.         {
   * P4 ~0 ]- ?2 r  L7 e- s
3.             string strWebData = "error";
   ) ^/ \3 L+ g/ C* v1 l; a
4.             try
   2 [: _; b( J0 o" V( ~: r4 a
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ! F4 K) ^- X0 n3 P% Q
7.                 // 需要注意的：
   ( N2 r9 x) ?/ p. z; N) G5 w
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);
    
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)");
    + H# x) x1 e7 x$ [9 y
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ) X% V0 f1 a, t# x- _6 T
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;
    , V- {( v1 z" j& l! q/ ^
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;
    
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）
    9 b9 Q# D6 c6 M, F
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    4 j- ^3 n& Y( V" Q  _
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    / D9 j+ j. N8 _$ P1 `4 N5 y, }
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);
    # J2 @* p8 S+ f4 y/ h% ^9 w
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    2 ~; S  l0 T# P  {4 J5 v
28.                 if (charSet.Length > 0)
    1 M: _' H$ e: T8 l3 K# y  J  q
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    / {% w% G2 v6 ^. `! {
35.                     {
    & O3 [, C5 i8 R  F) G) r" |: D
36.                         charSet = "utf-8";
    " y) ]1 o6 G( n9 n( X) F
37.                     }
    ; }& h  x1 m8 f
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    $ Y. f: K0 u3 H! A* s; n
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    $ c+ e, s, i0 B- D  |. A
46.             }
    ' A0 V* F# C( p+ z6 Y
47. 
    
48.             return strWebData;
    ; D: c1 I; h4 W7 S' W
49.         }

复制代码

6 `) x& \1 j1 {+ t

PowcAncn

weishaneweishane