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：
2 h4 ^: {/ D- @* N$ Bhttp://a.com/b
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   4 d! ~$ y% |: E# n1 O( g
2.         public static List<string> GetAllHref(string url)
   1 M  F) W+ L% @" T4 \
3.         {
   - I* Y( Q! F2 a$ f
4.             List<string> allHref = new List<string>();
   - g  q& e* V0 b0 N4 p
5.             try
   ( ]4 S( z0 U$ k6 T
6.             {
   / h0 o: M8 a0 d5 J- g
7.                 string strhtml = soso.getHtml(url, "", true);
   1 d1 }% B; O+ ~* M: j3 c
8.                 if (strhtml != "error")
   / H! y( N/ T, c# Q, e1 x
9.                 {
   * F0 d9 D3 _- o- ?
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    , p8 M* Y' Q) T( j7 I3 b- H
11.                     MatchCollection mc = reg.Matches(strhtml);
    $ P1 }& P: g# s* |- e; U
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    7 \5 ?& X9 _# i/ q! p
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
      t, p( a1 D1 L+ t
16.                         string fullUrl = "";
    / n2 Z( `( s) @9 e6 c" T
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; W# ^8 B  r: [% O
18.                         {
    6 h# g  [) y3 |8 Q. y4 V& x
19.                             fullUrl = m.Groups["url"].Value;
    ( b3 |( ^1 W6 S
20.                         }
      ?5 e. r2 c0 k/ L% g' N- v
21.                         else
    8 U! P  }; u. s+ Z
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    . \5 }' e6 o* `5 w- C1 x: Z
24.                         }
    
25.                         allHref.Add(fullUrl);
    : T* |5 U9 v6 o0 z
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    : {' z/ \2 s: M2 j. o* @
29.                         //Console.WriteLine("…………………………………………");
    ! D: g' K: n: h% a4 f
30.                     }
    
31.                 }
    5 T4 l. \: p8 p" V7 j
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    , c0 e  \+ U& A/ h% g. A# a2 N
37.         #endregion

复制代码

) _7 o0 b; l0 Z, c5 ~$ m: D
: G/ @; @( a/ T; d" W

1. 
   
2. 
   
3. 
   * Z# G# g9 J# M. ]
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   / h# _1 _7 Y( w& b
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    9 c8 X1 u% g) Y6 e. H
11.         {
    
12.             List<string> list1 = new List<string>();
    * f. ?" A  ?7 Y/ y; D3 ~' p: Y
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    ; t0 q+ A' i; U$ t: D( h, c
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    + k, x. ~; Y/ F! g. J
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

& {3 _) C% S. b# S/ o2 @0 v( D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！！

9 \7 B! D& `; l6 m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
   & n0 [- T6 V2 B
2.         {
   ! [1 U2 P7 {3 A4 D( v# y; L
3.             string strWebData = "error";
   ' l. V! B7 t7 l
4.             try
   4 P/ |- ~% q  _
5.             {
   2 `) |: w% c) T1 j: o: E! J: `
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   5 ]" R/ m% B! ^
7.                 // 需要注意的：
   , w& X2 y5 Y/ h9 t8 h( A# m
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
   8 i! L1 ?" F; R3 G
10.                 // webclient.Headers.Add("Cookie", cookie);
    . D9 a5 q" q- p7 h' q
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)");
    & v) b$ K) S; [  q
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;
    ; f1 S0 X1 A  [
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    5 I1 x6 g+ v4 @8 j  m9 y
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);
    9 L$ z5 l4 ?0 M3 R9 n. R' z
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
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);
    % t# O5 k; o# K
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    3 t9 j. b4 d# c6 I$ ?& s1 w6 m
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    6 X9 ?; Q+ e; m% D
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    9 K3 q2 R5 P; A( ~( \) @" h
32.                 if (UseUTF8CharSet)
    
33.                 {
    6 x2 D  ^8 v$ d9 W" ~8 B" b
34.                     if (charSet == null || charSet.Length == 0)
    ! M/ s/ N) m, e) s+ b) V9 U: x& c
35.                     {
    
36.                         charSet = "utf-8";
    7 v& {  }& C( ^2 o: h! T& I' u
37.                     }
    9 i' e7 c7 L" d: q
38.                 }
    - a" a2 l9 h. s, ?: B. G
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    ! F5 j5 ?0 v/ T8 E7 R% w* T
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    3 }# Q. E, X; w  d3 S/ I8 P3 Y3 F
42.             }
    , e3 @4 N* }5 _+ K% _: X0 ~
43.             catch (Exception)
    
44.             {
    , B0 E3 }9 e0 {5 q7 k$ r5 C* c
45.                 strWebData = "error";
    ! n. N7 a5 C( P* D( `. K9 T8 h
46.             }
    , J6 U4 w  s1 G0 ]0 L) L
47. 
    
48.             return strWebData;
    * P0 K% d( [1 n1 k% V6 u6 h  J
49.         }

复制代码

- @% ]& S4 Z9 e& T+ q

PowcAncn

weishaneweishane