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
  J1 M  t, K, p9 w比如：
http://a.com/b
http://a.com/bb.html
. }" o5 \+ L7 I, M, B5 H* z* b0 Y3 H3 O4 r能自动去重复
% h* z$ C$ D/ u5 s; w. A

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   8 R" a  n6 Z, M( e; U
4.             List<string> allHref = new List<string>();
   + K* @! Y1 ?! F; K* w; ~0 l/ B
5.             try
   
6.             {
   - M" x- A0 b7 P$ W
7.                 string strhtml = soso.getHtml(url, "", true);
   5 `1 D7 g% q: I' D
8.                 if (strhtml != "error")
   8 C5 P. m8 s5 V
9.                 {
   % H) p! [0 l+ o( v
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    & l6 T) R4 g& C" V
11.                     MatchCollection mc = reg.Matches(strhtml);
    2 U3 A) D' u+ Y# r( E+ n2 t
12.                     foreach (Match m in mc)
    # b. y1 W, `1 U* Z
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    4 f9 D& y% z. V5 ~# f" P% E; x
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    + L& }; i4 ~" A; N4 ~& X
18.                         {
    . H) `, O: `+ `% i7 i
19.                             fullUrl = m.Groups["url"].Value;
    * n$ U+ ^4 Y# n- v
20.                         }
    
21.                         else
    ! j0 F: |8 K6 y+ q6 p- q$ X, f4 X8 t
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    2 U: Y& c) _8 j) g( W. i& a& h2 A
24.                         }
    
25.                         allHref.Add(fullUrl);
      L8 g! a/ P+ \, J2 Q5 _6 C- F/ H( c
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    9 P4 g9 ^1 F. ]5 m! o
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    8 {7 o4 A% `8 E/ v
29.                         //Console.WriteLine("…………………………………………");
    4 e" v( Y& l' u0 L5 T. j* n
30.                     }
    1 A$ v  H0 e( n2 x
31.                 }
    
32.             }
    2 o6 @7 ~% `$ a  @8 T- ~0 I
33.             catch (Exception ex)
    
34.             { }
    1 P0 W; w; k' R/ e) A. H
35.             return allHref;
    
36.         }
    ! Q- m& B* ?9 b+ y+ U
37.         #endregion

复制代码

# m# ^) P) R8 o, O# r

1. 
   
2. 
   
3. 
   : X  Q, f' B' r1 w
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   . C! K; T6 N/ e/ n; t. P6 T
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   ! ~5 H5 b, A! r/ G) W: ]# j+ y
10.         public static List<string> getUnqueList(List<string> list)
    $ X8 w2 K9 T% G1 R2 q5 ?6 p( T
11.         {
    
12.             List<string> list1 = new List<string>();
    ! `) H6 p  z' N+ T# ^) B( v1 o  H
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    8 N  t! Z& \; E* X) r9 B' V4 A
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    - ], R6 _: ]( `1 f- [4 L
20.                 }
    0 n, ~, m: H' [* J1 h
21.             }
    ' q" m+ y+ U/ c$ }# d
22.             hash.Clear();
    4 h: y6 {3 d0 {# c
23.             hash = null;
    
24.             return list1;
    ) E$ r, S$ g1 n8 F: w; d8 N
25.         }
    : I* l$ L% C6 O1 p
26.         #endregion

复制代码

, I+ j) o$ u3 y0 V2 v, S
: r7 u! b8 ]  v' I# g" K

guys

李小冲 发表于 2016-2-26 16:17

% f: V: e* g8 l十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
9 ]6 L% r4 J' a/ ]十分感谢！！！非常感谢！！

  `) X8 A( K1 z: R3 }4 O. @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
   + Q% W3 e* \0 k; t0 d. q6 x6 {, h
2.         {
   / E# X- p/ u+ m5 {! R" `
3.             string strWebData = "error";
   ' ?, R4 D' u  Z
4.             try
   . a  ]* |; q( F: O8 D0 J$ E8 R
5.             {
   & F$ K0 R( H( W# K4 u7 T
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   + \) a) H# Z' a7 N
7.                 // 需要注意的：
   1 c  X3 t/ I: Q* y9 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
   8 S# b7 K- y7 [8 }+ R" e! j& K
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);
    
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)");
    & Q' T0 X$ o: |# X* m  J
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。
    1 ?' `+ ?' [) \8 r2 g
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    1 _) K0 [# C% }/ K) E+ x
16.                 //如果服务器要验证用户名,密码
    6 r8 {8 y! B! \$ m, T, R2 h
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    7 s! w# y8 J( b6 X8 z4 ?3 H8 {6 K
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    " b4 m3 B) i+ k# X# r7 k
22. 
    
23.                 //获取网页字符编码描述信息
    : P" x# |9 w$ q8 j# M7 Y7 r
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    $ l9 [' B* x, U+ _
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    1 ?" C' Z  N, m& M6 N; y* [
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    , s0 T+ J  e! j6 t  O% J+ ?' i% G
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
      W' L! o& D4 l+ }# e. [; d
34.                     if (charSet == null || charSet.Length == 0)
    , C, g: N  z/ g/ K
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    - Y; d( a+ U# k  L9 z
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    % T' D9 V% h5 X5 _
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    * E$ h4 X+ P/ P! d9 v5 V: @
42.             }
    / W0 @0 o1 A$ q- }) d. u
43.             catch (Exception)
    2 n( \7 U: L, V. c' x6 z
44.             {
    2 t+ ?9 D* d6 K" c8 g( I. m
45.                 strWebData = "error";
    $ p0 k" U1 d# j2 j& J( v" ]
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane