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& J# |- T$ ~6 x比如：
! w9 `$ J9 G9 _http://a.com/b
http://a.com/bb.html
6 ?" p: Z9 ~4 `能自动去重复

李小冲

1. #region 抓取全站链接
   ! ^2 y. H9 T- w7 g+ _% l
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   : H$ d; n1 l. e! @. Y+ i
5.             try
   ' {( O% k8 R$ @, m) D* k8 C' m
6.             {
   5 L# ]2 V5 f* I: f% E
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    - K- S+ X7 [+ j! F& ^
11.                     MatchCollection mc = reg.Matches(strhtml);
    1 b. C6 T8 x6 S$ ]6 t* \
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    ! M- T8 G- A4 o  J/ T" N. r
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    . `$ C8 k' X! b( ]) P* {
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    ( _; }4 |, x  ], M  Q: z
23.                             fullUrl = thisUri.ToString();
    $ M7 u7 k5 n; r  s$ l# C+ v
24.                         }
    5 E9 v) C- q0 M8 Y0 T+ m7 X' n
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    : G" r  k( _) @* p6 \
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    : d  Q* @' a, i  J( a8 H
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    / B2 M/ W! h+ G- C+ _
30.                     }
    ) l- I0 X% N" e# W' V' M% Y
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    - e7 \% @' Z: S; i9 Q4 s
34.             { }
    
35.             return allHref;
    
36.         }
    2 g7 X1 _$ p* s* P. k( ~3 f
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
     ?, v' ~/ N! r1 ^  B4 r
4. #region 数据去重
   7 D$ c. W7 W1 j; ?
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   " a( ?4 x7 p. c7 Z2 f* S* h/ c
9.         /// <returns></returns>
     e5 l. B2 N  n
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    ( K$ G/ f, @# q2 T+ C" u
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    2 ]$ |  X8 H# N( P/ t, A# U; S
22.             hash.Clear();
    5 A* [# t5 X5 `
23.             hash = null;
    
24.             return list1;
    / @) z' [6 {2 [) ]2 y4 O; d5 X3 S
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

6 x, _/ l* E. \" t十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
9 L2 U3 \4 Z* P  z4 H十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
3 N3 Z: ]6 P& l1 Z

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";
   9 l# V7 \' f6 J1 q$ F0 h
4.             try
   
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
   6 ~( y: y2 p( ?/ ~% |
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   9 V" I$ K3 n$ Z$ @
10.                 // webclient.Headers.Add("Cookie", cookie);
      ^- g, c& t3 X; V/ d( w
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)");
    6 j! T# A, c  O$ u$ t
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ' M4 w1 S! ~% m
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, P$ P% ~2 X/ [9 E
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    8 h9 N9 J" E) V, i& k1 u* K3 h. U
16.                 //如果服务器要验证用户名,密码
    0 f+ [0 N, a- L' U
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）
    ' X3 P6 G8 ^3 M" S$ e: c
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
    + C% x; D  R8 ]1 i( f) D1 i
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    7 \+ }) f: F. U0 P  B5 l0 _  [9 L
29.                 {
    2 Y" [& E& D3 V) ^; p6 l" }& J
30.                     charSet = charSet.Replace(""", "");
    5 o; r' h0 b1 O, b
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    % A' L" y' E' _% ^/ |
34.                     if (charSet == null || charSet.Length == 0)
    # b( ^3 {: _8 g( e2 B( D8 I
35.                     {
    ' P4 m& c3 P( p! Y
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    + T! ~6 I% G, P7 }; T
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ( l9 T6 O1 Y: l
41. 
    7 R7 r4 N5 l. d- M3 `. A; x3 e
42.             }
    9 y. o$ G" t2 ~' K, x( F& }; Q
43.             catch (Exception)
    / p) j3 d; W/ K: I' O+ y( X; t
44.             {
    
45.                 strWebData = "error";
    $ y0 z' q, I9 F- s5 F7 ?
46.             }
    
47. 
    $ O/ F% q1 N3 P/ G* x" y, A1 I
48.             return strWebData;
    
49.         }

复制代码

& U5 Z+ z. y; [* ?

PowcAncn

weishaneweishane