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
比如：
http://a.com/b
http://a.com/bb.html
6 i" e/ K7 n; c1 Z+ A% s. |0 t能自动去重复
. t! B  f, ~, ^2 X" _, ]: F0 l

李小冲

1. #region 抓取全站链接
   % ?4 R! [8 |  w: B; O' b  N
2.         public static List<string> GetAllHref(string url)
   " ~9 |# C, K( F* Q9 Z/ O" O
3.         {
     u6 l* J% s/ Q5 _! M: L) J
4.             List<string> allHref = new List<string>();
   ) j5 O9 B$ s: N9 n0 l* n& |" Q
5.             try
   7 H$ z. v" u' |) Z" O( S$ L  Y6 g
6.             {
   + _# A& O& @/ P# l# t
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   % s/ Y/ a4 Y: r. @
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    - J( z( Y) i  U" q4 H: ?5 d
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    * C$ g9 U: F9 k
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    4 W% L2 J* {& u' Z+ [" k! ?2 [
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    6 t+ a: m$ t) ~
18.                         {
    - z; {3 C$ @, X& L* R! g7 d$ f
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    % r6 R) \- I) d2 H8 {  ], t
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    ( F" y, Y& Q# _; Z- m# B. E
24.                         }
    4 k7 b4 v2 b) D$ q9 C$ s5 j
25.                         allHref.Add(fullUrl);
    ' `4 ^0 \% ~% ^
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    9 D' _+ C3 r8 \% ?( l0 u# i- d
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    6 X. a7 F1 g. P; \. h
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    0 m; w# ^/ o1 ]/ X/ m/ p+ C! ^
31.                 }
    
32.             }
    4 @6 a2 M6 l3 h2 i% e2 ]9 B4 }: h$ f
33.             catch (Exception ex)
    . ^* R+ X# _0 H5 p2 s
34.             { }
    ) h0 C" Y% m1 A& b" w
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

$ B6 I1 `/ Y$ l. \5 f1 ^: l( v

1. 
   
2. 
   0 B, H( `0 {, Y1 R8 b6 O
3. 
   1 F6 m5 Q) z& j3 B' O
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   1 e  a4 p! X4 x$ X" N% A
7.         /// </summary>
   # ]( X) Z1 L) H
8.         /// <param name="list"></param>
   ( h9 K& l7 U( m" b0 A8 ?
9.         /// <returns></returns>
   4 G. Q% J. [2 a, p1 i. h
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    / h" p8 O4 @$ |$ R- n8 T/ Y! R
12.             List<string> list1 = new List<string>();
    # _# v5 P; J2 h# M% u' B% o
13.             Hashtable hash = new Hashtable();
    & z) V+ S, e7 h
14.             foreach (string s in list)
    9 C: z% {( H9 q  I6 R
15.             {
    . e( k9 L: I1 R: V* Q
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    9 H2 s1 E7 }. ~) P- u6 n+ y
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    " [, ?1 q2 ~, S4 P
20.                 }
    1 a8 l" y  `4 @
21.             }
    
22.             hash.Clear();
    4 w; \4 j% Y$ p5 l& V2 W# G
23.             hash = null;
    ; w8 b! U" R$ Q# c, T) t, b' ?% g- ?
24.             return list1;
    2 {4 X6 z) x, T! p8 U: S& J
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

7 }% }" D  K+ C& L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
     p. L) H+ o. O; p2 |; Y2 l5 `; Z. g
2.         {
   1 M1 J" {3 O. ^; n) \
3.             string strWebData = "error";
   6 Q# v5 C8 _2 v  ]3 f: ~
4.             try
   ( `( E9 N! ?3 v2 a& A: R
5.             {
   7 m, n# ]( @1 S; D: `- T/ k
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   9 `' P# L5 R2 n  n5 a
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
   
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ! [; n8 D. s: }" L- y# {
10.                 // webclient.Headers.Add("Cookie", cookie);
    " w/ O  t* U4 z9 T
11.                 //这样可能需要一些重载方法。根据需要写就可以了
      `, {* K7 U8 Y8 o% c
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)");
    9 T2 f" B2 V# v4 t" E
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    8 @" P1 E1 I7 a
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。
    * d+ o2 x+ V7 S3 S' z, L6 j" q$ h* \
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);
    0 z& c" a9 Q& [) a( x
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）
    : U& m0 b6 J+ H7 d- a6 t3 V& q' Q
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    " N/ ~8 n" N7 k% n; y
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    # r% G7 P% m: L. s1 n3 E4 b1 y
25.                 string webCharSet = charSetMatch.Groups[2].Value;
      F0 u3 j* ^0 y! n! w5 l5 h
26.                 if (charSet == null || charSet == "")
    6 I. [) E7 L0 l% T
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    : g3 g9 }. \' E" k8 A1 X5 B
31.                 }
    - C8 O: j8 `& U" Q8 L' x* Y
32.                 if (UseUTF8CharSet)
    " G& A% J( D5 d
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    8 a5 P( x7 w9 |) f% X
36.                         charSet = "utf-8";
    3 ]6 K1 f  S4 `" K
37.                     }
    5 ^. H. b8 E. s& u" r& y
38.                 }
    3 s4 f0 ^& s7 `1 i6 I1 i
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
      I* s! j7 K3 W+ d$ p$ Q# M
42.             }
    1 M1 ~- p/ y, A+ a+ T
43.             catch (Exception)
    
44.             {
    ! a1 B$ m" G8 J8 B  X' w' z" t
45.                 strWebData = "error";
    
46.             }
    ' _" \$ B) R( _% Y' c9 k* k
47. 
    
48.             return strWebData;
    % ~7 s! i" Z6 f0 G
49.         }

复制代码

( g  Z7 c9 Q  B4 [

PowcAncn

weishaneweishane