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
7 t& O5 f* V+ n比如：
http://a.com/b
7 D* q& n0 \& P  C& Qhttp://a.com/bb.html
能自动去重复
7 y( q/ ?- k8 A5 D

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   : l7 H& c2 f$ d7 @: u
3.         {
   4 A6 d* W; i6 D9 W6 I/ u- T
4.             List<string> allHref = new List<string>();
   
5.             try
     c% D* K. k) w$ b8 J2 D
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   9 I: E  S- L& }
8.                 if (strhtml != "error")
   5 A, F) N3 q% N+ X' [  `
9.                 {
   ! \( J9 T- \* F! z
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    . B5 a( _6 J  L! c4 F: U
12.                     foreach (Match m in mc)
    ) N8 r" s3 {. W' n% y, |1 d0 ?/ l
13.                     {
    1 n0 N5 a4 B2 T" W: c
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ' @  C8 [% i6 L2 @
16.                         string fullUrl = "";
    9 \  ^9 P5 _7 L& }6 f) ]
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    : @+ F7 y& h; ?) l7 \* S/ M
20.                         }
    / a+ t7 x4 z7 Z: T* R9 Y7 M/ ]
21.                         else
    
22.                         {
    ; E2 T4 B7 Q5 h% Z- F. {- s
23.                             fullUrl = thisUri.ToString();
    % [2 y* m2 b! q* N6 Q7 H5 n# M
24.                         }
    ' X% i. y& O. A2 K
25.                         allHref.Add(fullUrl);
    " y5 d: d/ G( s- C7 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);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    & V2 j$ b+ R. \9 Z0 R' ]7 ~
31.                 }
    % _" V5 _! [. ~7 R5 ~( g# z1 P
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   0 Y  e* K" S( k- |! I5 m' d
3. 
   ) U$ m" O4 q3 }6 b) L# _. {% D
4. #region 数据去重
   - k, ]7 D! K, V0 Y
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
     \( r0 ]# ^( ~
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    2 v& p5 }- }! {/ U1 k& T
11.         {
    % F: T/ ~; j2 k# J: S4 {8 B$ h  _
12.             List<string> list1 = new List<string>();
    * I. j5 V* E* C2 g. t# d
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    + b4 f% s4 C5 d" O& M4 }$ N) L
15.             {
    + V3 q# i* \5 `/ k+ B3 o
16.                 if (!hash.ContainsKey(s))
    * a) x8 T3 N7 \% v8 X
17.                 {
    
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

( D$ m% H2 s9 |( U( A) u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：
  i! ~1 ?5 u  c2 ^+ w" p8 {

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.         {
   * e2 L8 x8 _  g% k* m$ _  O' n
3.             string strWebData = "error";
   
4.             try
   
5.             {
   ! n/ n$ k9 s  K9 l
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ( V$ g2 U3 b7 N4 L, ~+ F7 P" O
7.                 // 需要注意的：
   & |5 h9 M6 F0 X
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
   
10.                 // webclient.Headers.Add("Cookie", cookie);
    ) t! n. z8 T- c- C* G  b, @! Z
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)");
    " q2 @  H. M3 n/ a: }0 W0 u5 j
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    
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。
    ; G$ r/ c: y" `- \: g
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    8 d$ P: K0 D# `
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    # I5 c4 H4 \7 G$ K8 r4 p' C: `* h
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）
    ' Z- V% l3 \- v5 i- n& Y+ J
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    2 E9 z# P+ F% r+ l
22. 
    
23.                 //获取网页字符编码描述信息
    2 k2 b8 H9 m* @" |( g
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ' p2 D* ~) d3 R- u  h  A
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    4 q+ w; o: l( B0 P5 f5 V0 [/ G6 G5 k
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    ! f! O3 ~4 N2 E
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    0 ^% O& j) O9 \% g2 f
38.                 }
    6 D( `9 i0 w9 ]0 t  B
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    - ?8 `6 L$ b6 p* E# L& ]
43.             catch (Exception)
    * _4 s% R+ [" e" B! v
44.             {
    ; ~8 M0 Y/ k2 u, X1 i1 W! T
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    ) A2 c9 J$ c# ^% x
49.         }

复制代码

( l. a% X/ T1 A

PowcAncn

weishaneweishane