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
2 G" P+ Q% N" F5 ?& L) i, C比如：
( |. v. v6 M: |http://a.com/b
6 }, _8 }5 e+ J1 [2 Khttp://a.com/bb.html
. J, D- |3 D8 [7 v& T3 d7 |能自动去重复
0 N6 l4 q6 D. }# M; P

李小冲

1. #region 抓取全站链接
   : S# C) R: c1 q  a/ m
2.         public static List<string> GetAllHref(string url)
   ; \5 c6 a( C* ?) A
3.         {
   " L5 d1 n& t" N6 @
4.             List<string> allHref = new List<string>();
   " D7 L' D9 P: K" Z' j# g8 {
5.             try
   
6.             {
   # d+ l9 c+ h! O+ z
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>");
    7 x$ g- t5 k* F& S& {8 b  a" Z9 I9 W
11.                     MatchCollection mc = reg.Matches(strhtml);
    ! [% v" g" ]8 C  H/ E
12.                     foreach (Match m in mc)
    / Y0 U8 |8 m. k
13.                     {
    4 f2 C; p. K  M
14.                         Uri uri = new Uri(url);
    0 T4 C, W, k+ ~$ N# v0 L
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    7 v5 S" u/ ], T# Q
16.                         string fullUrl = "";
    + x. Z" I# v; Q  b
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    ( O; _0 x+ |. w/ N3 y# T
20.                         }
    
21.                         else
    ! ^0 J; ]4 f2 q. m1 A# g2 N7 |
22.                         {
    ; k% g  ~6 T+ |& @' o. p( [) U! a
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    5 ^7 t4 o5 X& u  @
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    / |1 h; P% \/ r, p' y( @
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    $ g& v- |: g( c' O
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    4 W7 |! x$ ~6 a" O0 T& ?
29.                         //Console.WriteLine("…………………………………………");
    & p6 V& @* \$ b3 Q" d8 r- @
30.                     }
    + Z8 U* P& [& Q# h5 K# v, z
31.                 }
    * @  {5 R# N% C# v* j! I6 g
32.             }
    & `4 l- A. c+ w
33.             catch (Exception ex)
    $ g) Q' E8 y# h+ F2 r3 X! a7 r0 G
34.             { }
    8 ~# s* Y3 e- @
35.             return allHref;
    + w7 u: ~1 o) K& R2 g
36.         }
    
37.         #endregion

复制代码

8 E& T( @% r5 o6 W8 z. l- \

1. 
   
2. 
   
3. 
   7 F, N, K2 ]* K1 G6 B2 @
4. #region 数据去重
   
5.         /// <summary>
   # |& U% v3 j/ o% Q& i
6.         /// List<string>去重
   
7.         /// </summary>
   ) g* \9 p) f" h1 ~
8.         /// <param name="list"></param>
   5 o/ K& M8 a% G) c& S- K1 {
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    5 f: N- A- d1 p6 l& t
12.             List<string> list1 = new List<string>();
    4 O; p7 N; @" n
13.             Hashtable hash = new Hashtable();
    4 Q: c* m& G' Z) U
14.             foreach (string s in list)
    ! ^: B! N. M/ i" X
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    - B6 ?) V7 X4 r2 p  w- x; n( y
18.                     hash.Add(s, s);
    2 Q+ J+ h, U6 Y6 n' }+ b$ h, j+ f$ u0 C# ~
19.                     list1.Add(s);
    5 |, N9 g# Q; {* V
20.                 }
    / N6 a2 E& x, x: M
21.             }
    
22.             hash.Clear();
    9 N! D. ^5 a) U8 H2 Z3 t
23.             hash = null;
    $ N# }& s1 ^2 ]) m& _! j
24.             return list1;
    " _( o" f7 h: S
25.         }
    6 o. _( c, q' N" W
26.         #endregion

复制代码

# o, K6 ^: g% J2 @7 b5 j( p
& R  H  u& j: l

guys

李小冲 发表于 2016-2-26 16:17

: `7 |$ |- v( O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
   3 s8 e' U7 _( r: P7 F) y
2.         {
   & D  {9 I, P7 t7 x/ f+ a* D4 p& Q
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   & L7 U" v  ^) O: f
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
   ( Y. K) ]7 a/ ~( C& F! h5 X! }
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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    " c" U/ e5 U0 \% u, k2 [# G$ e( `. 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。
    
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);
    
18.                 //myWebClient.Credentials = mycred;
    ' [8 f1 x( l# J/ G2 G
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）
    8 F9 L- R6 _2 j9 ^3 I$ \
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    / {/ x' ^$ i4 ~2 |. n1 t
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    & |& S) ~, N- B4 O
22. 
    7 f9 o6 v1 A, g
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);
    0 g# X) s# Q4 P3 D
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
      y2 [! c3 \  Y. b, B: I6 I
27.                     charSet = webCharSet;
    / @4 I/ R. b) O
28.                 if (charSet.Length > 0)
    2 A6 k% e) t4 }, {: d
29.                 {
    : p- V# ?* [  W' m
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    4 M5 W) ^) {; J
33.                 {
    7 M) r8 P9 U' C% N
34.                     if (charSet == null || charSet.Length == 0)
    0 L1 @$ Q& c0 e, V9 `
35.                     {
    % @6 U) W4 H9 B0 ?9 r
36.                         charSet = "utf-8";
    * w- T# c1 q  c) J/ Q1 I& r, F
37.                     }
    * _- b& ~! ?# Y
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    7 J* C1 k; c) |8 z" Q
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    0 L; L8 v7 T& r. ~- M9 S( y$ A/ ~4 q9 P
43.             catch (Exception)
    # @3 s& ~8 `" ^! h6 v% o' o
44.             {
    - N' C0 |1 S; U% G2 I6 d
45.                 strWebData = "error";
    
46.             }
    
47. 
    ' W: z# Y. z: f0 R0 m; H2 P' I4 p
48.             return strWebData;
    ) _  v7 j1 r- l+ a8 O4 x9 a/ y, ~7 c6 _
49.         }

复制代码

PowcAncn

weishaneweishane