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
! T% s- W4 s5 H& l- b' c比如：
http://a.com/b
http://a.com/bb.html
% B; ?6 N' H& m5 C: y3 j/ Z$ b能自动去重复
& l: Z1 O# p5 u5 R0 R; D$ d

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   ( x4 |2 s6 B# u+ Y; z( W" }
3.         {
   7 r8 w/ a# |% A; p
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   
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>");
    # V( v; I9 [1 J" S
11.                     MatchCollection mc = reg.Matches(strhtml);
    7 a( M" X1 x! N0 n" n1 |
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    7 ]7 H& K3 {6 [! ]: c6 ?% D
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    1 K- @: {/ G2 U9 G' I
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    4 t2 g* E# M* s
18.                         {
    - R. E8 @/ }4 H5 x0 g* u. g; Y
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    . c) l/ h3 w* i( ?3 S
22.                         {
    & t# C$ G, ~* T+ J& K# M# Z9 Q
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    ) B& x& w" j" ?- P
25.                         allHref.Add(fullUrl);
    
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.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    9 k4 U/ v1 u  t2 U3 E: d
34.             { }
    
35.             return allHref;
    
36.         }
    , A8 S1 b7 P$ p( B6 h8 E5 q6 E" G) O
37.         #endregion

复制代码

1. 
     b6 G4 f9 Y( j# M4 J- b
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   0 k* `6 M% M. u
8.         /// <param name="list"></param>
   ' ]+ c0 M: K/ W; N3 E; Q# i2 l
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    ( Q% V$ p  t( P9 g! U) t
11.         {
    7 Z' f; F; F9 i2 U& A
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    8 s7 b% u' y" `! X
15.             {
    + c. h# g) D3 s, [, r# f+ m
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    % d8 ^2 [0 X$ Z8 b7 E) u" ~- a
18.                     hash.Add(s, s);
    ' L6 k, ~# V" Z7 d9 ]6 W: Q
19.                     list1.Add(s);
    
20.                 }
    % z+ y: T% ?% J- M) D3 n) A
21.             }
    7 G" t8 Q$ O* F8 w
22.             hash.Clear();
    / z' B7 j2 D# X5 l; \
23.             hash = null;
    
24.             return list1;
    4 G+ |1 w4 j1 x
25.         }
    3 D' H7 o; x0 O
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
* r: A% ^) |1 {7 @5 P7 T十分感谢！！！非常感谢！！

% s2 Y1 k% B) i. K9 ?6 V缺少一个gethtml,用下面这个：
' A/ I; z6 u& I, o: _

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
   / H* m+ D4 H5 b% v7 j3 b
2.         {
   
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   ) w7 o4 u$ t' m3 z  N
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
   6 Z* I9 R% i+ B. q$ @
10.                 // webclient.Headers.Add("Cookie", cookie);
    7 t: P' L5 C" K( e- c
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)");
    ! N" M, [- }: s) f
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    5 ]( N8 _& Q, w; [$ j9 z
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。
    ! [, z% }# Q9 ~
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    , G5 e" }! \0 ^( Y/ h
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    " Y3 T$ n; J( D! u( F- k" Q" y# b
18.                 //myWebClient.Credentials = mycred;
    ( _! R9 [: h& x& Y  R$ Q
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);
    / d5 {& v! E4 T9 O7 F
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    ' _+ @9 ~1 q6 j8 _/ {
22. 
    $ s) B, ?. z% ^3 L- x& ?# ^
23.                 //获取网页字符编码描述信息
    * m1 ~5 ~8 k! L
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    9 w: E( I: Q8 O0 A  Y* p6 R
26.                 if (charSet == null || charSet == "")
    : e. Y7 D% K6 M! x& `( X
27.                     charSet = webCharSet;
    0 V) K2 W/ m" z7 }! U! l3 |
28.                 if (charSet.Length > 0)
    . }( ]' B' p; ]* R* b8 ~0 G
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    9 x. K" C* Z/ H. D+ F
31.                 }
    , U9 D4 m% s' \5 v5 V- i- Q
32.                 if (UseUTF8CharSet)
    0 \4 [, b4 V6 _, G6 ?4 L+ R
33.                 {
    5 v# V7 y: q; v- f8 {
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    0 e4 U9 o4 g% A3 i
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    0 ~; M: @0 q# l) G. |0 B# W; |
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    3 H6 c7 l# `# g
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    2 U" A" Z& k5 `" v1 w
45.                 strWebData = "error";
    
46.             }
    ' K+ S* o) }6 W# U  b
47. 
    ; q. }( _8 e3 O+ N  N0 K
48.             return strWebData;
    
49.         }

复制代码

& X! a3 V8 j: Q( a( ^
$ b$ B9 C) b3 C0 R

PowcAncn

weishaneweishane