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
  U  Q: p& u% E+ u( Z: u+ |比如：
5 s7 [' g; I# L6 x" ehttp://a.com/b
http://a.com/bb.html
5 o6 Q9 G) Y+ X3 j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)
   3 [. i7 U, ], l6 ]0 O. p& ~# p
3.         {
   9 w5 q+ f$ U5 }, m6 T$ B6 _: I
4.             List<string> allHref = new List<string>();
   : e2 I( c6 |9 Q& u2 w; x, |
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   ! w. ]7 W  Y! N& M) R' W- N& p4 ?
8.                 if (strhtml != "error")
   2 P& t* s" b! X/ _4 X7 F
9.                 {
   3 m; _* O  R# v
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    , q' w0 n6 T8 \& M" i1 Y
11.                     MatchCollection mc = reg.Matches(strhtml);
      N$ w6 c2 a) M- F, e0 Y; _
12.                     foreach (Match m in mc)
    ) x: l) L. i) V. `8 |
13.                     {
    4 o' C9 ]' S1 G- ?4 v2 C/ ]9 z
14.                         Uri uri = new Uri(url);
    0 X( H7 t3 D5 \$ o6 W3 S
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    8 V4 _: K9 |" b4 g* ]
16.                         string fullUrl = "";
    # I4 Q* C  E- F' R$ E
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    / {( \- w* ~9 u. l# P5 k
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    ' ]4 V0 @: O  X: r9 V' l% H
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    0 P- S. Z* y+ u5 y' p* Y
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    7 k3 K9 L5 Y4 r$ n, l
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    . z' ~+ e+ G/ j
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    4 l& T3 S9 g3 r1 {+ a7 r' j* q
31.                 }
    ; K/ r6 |9 C6 R+ ^) u
32.             }
    3 u% c. M( }, J1 A/ D3 X
33.             catch (Exception ex)
    2 n3 k, W$ q3 r2 e
34.             { }
    
35.             return allHref;
    1 p2 F. P' |8 h3 p0 d
36.         }
    
37.         #endregion

复制代码

- N1 C* V9 v  d. y1 O" T0 ^; v1 v9 N

1. 
   
2. 
   
3. 
   3 {0 ?7 T1 `# Z0 _: }# ~0 l
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   % Z4 l' ~' z0 u- w' j2 Z
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    1 d8 \2 p9 R: {
13.             Hashtable hash = new Hashtable();
    0 k/ v: X1 e4 o4 W8 \0 R5 W6 Q
14.             foreach (string s in list)
    $ O: Y$ w/ g& }( N
15.             {
    $ p8 I% n9 V, i2 z
16.                 if (!hash.ContainsKey(s))
    . d4 S* d+ k+ C; x1 R9 k
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    3 b/ W4 H4 \8 r9 Z) k: `! o* u
23.             hash = null;
    5 ^  t# p$ s- v
24.             return list1;
    8 F/ g' \6 F* m- P2 ~& Q) T
25.         }
    
26.         #endregion

复制代码

8 y  D7 s6 X+ v5 Z) t2 L
& ~9 J3 Y; T, i' P2 G# w

guys

李小冲 发表于 2016-2-26 16:17

2 ^+ F% x" P, ?0 H8 a( }& z5 C) ?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！！

! O. D; s# P# T缺少一个gethtml,用下面这个：
4 R( S# |* E" X+ ?( k* w2 K) x/ J

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";
   
4.             try
   + Y. x( z# L7 [' m0 z: \
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
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
   5 x2 I( l$ x1 y; ]( r# P
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);
    9 t2 \/ h1 Q; M- Q. ^' B* o7 e
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    * p' }( K7 O) ~# \; Y& H$ K
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)");
    : y5 D+ B- L3 Y
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;
    ! U; D4 w- n7 Y+ ]- {$ v
16.                 //如果服务器要验证用户名,密码
    ! F' L3 ]( ?+ ]% C2 p1 r$ r7 ?
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）
    * f6 @4 P% `5 A' N, Q5 U) k
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    2 ?* t$ s+ |3 ^9 W: `
22. 
    3 b; ^4 ?3 i2 E5 {) O9 a
23.                 //获取网页字符编码描述信息
    6 U  b2 G1 h7 o% h( I8 J
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    ! u, r) g/ J4 o* b$ X! Z+ \! ^% U" L
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    " p# i/ {* [, m6 k
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    . x0 i& ]9 W+ T5 P) J' |: t
29.                 {
    1 C( m# ^9 k5 @0 }+ y( m
30.                     charSet = charSet.Replace(""", "");
    0 K$ I+ X1 p$ }0 G5 a
31.                 }
    4 ?7 C# q! z$ E7 I4 l5 L. k4 }
32.                 if (UseUTF8CharSet)
    : k9 L$ Y4 z' P, @
33.                 {
    4 _) L& ]) R# k# P- U1 z
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    ' E8 w# ^2 ]2 J. a" ?/ Z# o9 P" j- v
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    . I: N& H; u% N, f' P1 R' L; N
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    % V! B( O# D$ |: B# L1 D/ o
49.         }

复制代码

. w1 e- S2 e; v  |- b; \6 l% x  i, Z
8 c6 _  c' }- i- R  k

PowcAncn

weishaneweishane