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
7 m8 O$ Z/ D$ \9 P0 Z+ e% f比如：
http://a.com/b
6 E* v  W% R2 V2 |) v: k, ihttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   ! k$ o( x9 ^: v$ O2 B/ ?2 T3 W$ s7 S! W
2.         public static List<string> GetAllHref(string url)
   / W4 |, n  ^; B. p. X
3.         {
   
4.             List<string> allHref = new List<string>();
   , ?* B/ K: |" f- y2 w
5.             try
   
6.             {
   " ~7 a6 {7 A: h6 a1 R8 c2 ~. ^9 Y
7.                 string strhtml = soso.getHtml(url, "", true);
   - F5 P2 D' v. C' W
8.                 if (strhtml != "error")
   4 j# B4 m" I8 q" a2 ^+ n) M
9.                 {
   6 h' c& q4 h( O/ j! _& ^
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)
    1 p3 ~4 t0 k" e! q( I! x
13.                     {
    6 ~' @0 g$ a: _1 j
14.                         Uri uri = new Uri(url);
    . G/ S4 j" @- B8 B1 `+ ?
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    7 a, M) i# r( l. v! v; S
16.                         string fullUrl = "";
    ! Y3 b& t' }3 B2 j+ t0 s: C+ h9 l
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    9 r% p! e+ u% [( J" E- Z
19.                             fullUrl = m.Groups["url"].Value;
    $ A% l! U8 y. ?& V+ m+ p
20.                         }
    
21.                         else
    2 R9 `/ B3 M" K+ d/ b9 I; L
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    3 i) X# `1 a2 J' L% r; I
24.                         }
    ) l) H. z+ [4 m* v
25.                         allHref.Add(fullUrl);
    ) l) n( n' a, v8 a3 C$ ^
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    9 P7 W+ j  t  k" s+ j6 z
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    6 L* b. \3 _6 x0 U0 }9 k& G. n# x, c( t( i
28.                         //Console.WriteLine("补全链接：" + fullUrl);
      g- H1 A- \& G  R# ^) z, Q% J/ S
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    : X5 U  o( ?" U, f  a! _2 W0 D( J
33.             catch (Exception ex)
    . q' e: V9 J0 r4 a' ^
34.             { }
    
35.             return allHref;
    
36.         }
    4 g+ \% \6 d1 \8 }. V3 S2 z  l
37.         #endregion

复制代码

& U7 U6 O/ k1 v% v/ ^2 `
& o. z9 f! I( q( ]$ _' K3 Z  [3 ^

1. 
   ! S; \/ T% z5 S0 q! p/ V) c3 v% T
2. 
   : |" Q0 y8 T: x2 c# d  g
3. 
   & c8 D- E" V( D6 D
4. #region 数据去重
   2 q! d# C9 n% N% y9 I: n8 h' a
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   1 K; z# f) ^% R6 _0 X- r% z1 S* C6 R
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    7 s- P% E  u7 A0 f, h
11.         {
    4 Z0 X! a$ L; d- ?( S6 \7 ?1 f
12.             List<string> list1 = new List<string>();
    4 f& Q) w; [3 D
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    + H& f( n: a" Z* ^
21.             }
    2 }/ \( `' p' F- h2 |% n) U1 P
22.             hash.Clear();
    / P. s6 }* _, ]( j# o$ [( d
23.             hash = null;
    
24.             return list1;
    # U0 S& g1 p+ B. m3 H
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

9 Z: O) j2 Y: I8 `十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
  l4 y" Z7 K$ n% N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
   * S) z" s- M+ O3 f
2.         {
   
3.             string strWebData = "error";
   * X  X. Z" {* h' n
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   6 {$ z& v4 j+ \5 C
7.                 // 需要注意的：
   + z6 |1 }! Z4 i
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
   2 x: y% L2 J1 k
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)");
    + p2 u3 `& i( }2 Q" ^6 R/ f5 `
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。
    ) I" y- `. ^2 @2 N
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    1 o- i' ]7 i2 U5 t! B, P3 `4 C
16.                 //如果服务器要验证用户名,密码
    # R. E4 P% J% c* U# r; Q  j5 w
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    7 @1 u- ]& x' j/ T( i% t- V
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);
    / ]( {/ k/ c0 [: C
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    # l- |) N( H1 X+ F! a0 Y  b  V
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    2 L0 L" {+ G+ c4 r8 Y4 |
32.                 if (UseUTF8CharSet)
    5 \% O8 n/ V) W; Y, F8 R3 Z
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    . K, T0 }0 [! `5 ?* c
35.                     {
    , r7 I6 F& L7 f+ r$ b! z  }
36.                         charSet = "utf-8";
    " D' O. @! o& k5 U
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    2 T& G; J+ J, n- D* @3 r+ r
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    9 D& D0 j" f& r, V4 A) j9 k
41. 
    $ @3 Q! R) h) {3 \# B* m$ m/ {
42.             }
    : I, f5 p- h8 {- t+ C, H" V* M- G
43.             catch (Exception)
    $ k0 D+ d2 X5 R2 T+ K1 f  X% R3 H
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    ! a- s  t; h+ N. E( ]2 \" ~: Q
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane