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 N0 o+ Z" x7 ^* [' \  H' O比如：
  r8 \3 B3 w  ~0 M; jhttp://a.com/b
http://a.com/bb.html
% W7 H/ `9 W( c8 w) r1 K. g: u9 U5 C能自动去重复
  B5 n9 ]: Z% J0 r! p6 L

李小冲

1. #region 抓取全站链接
   ' x: _, C" @8 B3 O( M
2.         public static List<string> GetAllHref(string url)
   " j  c$ t8 f  v7 d7 F
3.         {
   % o. |- S: y. v" P
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   ( T: a* `4 t- c8 K3 c
8.                 if (strhtml != "error")
   
9.                 {
   , {* j0 y1 N: \! Q  @* A
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)
    $ y6 n# A% ~  m, S
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    6 t4 y( i) c2 h' d: t3 x4 {& Y# S
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    $ A% g5 M& J# l8 N$ [
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    9 j2 q# ^% n: I$ z- c
23.                             fullUrl = thisUri.ToString();
    
24.                         }
      D# X/ E+ X0 `5 f% n
25.                         allHref.Add(fullUrl);
    # I6 `6 L) w6 Y
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    1 x3 u( P3 s% ^' Y1 X
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    , n8 E5 H% Q+ f0 M! Y3 l
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    ! q) \+ t* R9 h3 w
30.                     }
    
31.                 }
    ( x& @3 x- h$ t9 j7 ?4 P
32.             }
    . R* D, I* I6 d* O
33.             catch (Exception ex)
    % r5 H7 U4 v+ H0 k3 b! e: _  D" S
34.             { }
    . ~5 a6 @0 F3 t  S
35.             return allHref;
    % T  [' ~. a% v: D
36.         }
    & \4 _  ?$ @6 ~7 n( V
37.         #endregion

复制代码

# U& M5 i9 \! U+ G) ^9 I& H, C& N9 n) z

1. 
   
2. 
   - e$ x& k% G  z$ b! j( k
3. 
   ' `$ z0 V$ t. @) e- Z
4. #region 数据去重
   
5.         /// <summary>
   ; v) Y9 {$ B( {
6.         /// List<string>去重
   
7.         /// </summary>
   $ U& u7 s, J, ~& g0 l
8.         /// <param name="list"></param>
   ' |* ]# I3 K/ Q
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    8 Q0 F  K* x& S) Z5 m
11.         {
    
12.             List<string> list1 = new List<string>();
    $ M6 ^( |+ [" w% e
13.             Hashtable hash = new Hashtable();
      ]- `( F  t3 S  M  j; f6 ^# R
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    # z/ x4 t' w/ ~3 t4 z4 x
17.                 {
    1 d% q+ `! T0 Q, m% I/ w
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    / z& G7 Q( @4 j/ X$ |4 [
20.                 }
    8 u/ @% {2 v% o1 I& |
21.             }
    3 n. L8 }8 L) Y. y. j/ i' n% g
22.             hash.Clear();
    7 p8 S0 K0 f$ A# J$ S, [2 r1 {+ s
23.             hash = null;
    $ M. n$ z9 V% H& M$ S
24.             return list1;
    ' r* K" t7 w+ T# H+ s9 H
25.         }
    " F2 _4 m2 F* w
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

* `# H. H2 F) C* C; g# B& I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.         {
   . m. ?/ a9 W" U( a* c9 [% P
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   8 ]7 a; n! a7 F
7.                 // 需要注意的：
   8 a7 X7 f7 C/ |% }  d$ D
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
   / A" G6 t  ~6 d$ E, n+ J
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);
    5 z. u* A: Y' C
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)");
    3 b8 o9 f1 Y/ R6 I
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    6 T* N( F* m$ ?* \9 S( n
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。
    5 |  s2 U+ k' L% u9 x
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);
    / N4 A8 \2 W3 v
18.                 //myWebClient.Credentials = mycred;
    ( `9 o9 Z- l0 f0 R5 M
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 k1 [" `& @  i- u5 \" f
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ( U# B0 E; V6 Q1 E, m" R5 x' }$ I! \
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    - h0 {8 B7 r9 a' D
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);
    7 F$ t& G2 w( R3 q0 R0 V& K
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    + n3 c. h$ Q6 y. P. w
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    . J( }' B) R7 C' S
33.                 {
    ; ?4 ]# s9 E+ Y1 |! p8 x" }
34.                     if (charSet == null || charSet.Length == 0)
    8 ~' a3 C. s2 h  H) g$ n( U/ z# ?6 S" l
35.                     {
    
36.                         charSet = "utf-8";
    % f) V( c2 x4 s* {+ U* x
37.                     }
    . H* }6 M, U6 J% V% ]5 h
38.                 }
    1 d2 _8 L3 A5 a
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    5 B+ c, o3 o2 M7 h  s, a( @, N
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    ; ]3 x: i( X4 U- B9 b
42.             }
      C; Q# N" q  J0 v$ |; b
43.             catch (Exception)
    5 e3 P( v* i# u' Z0 e# A
44.             {
    
45.                 strWebData = "error";
    
46.             }
    2 F2 C; p) [. A
47. 
    * f, y) M! U) H% Q5 _
48.             return strWebData;
    : o1 I9 b# c9 [) O  x
49.         }

复制代码

; g8 A5 N0 r, L2 c6 Z! p

PowcAncn

weishaneweishane