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
6 M) o0 G6 D$ C# N比如：
http://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
   + A* H* d" b4 V0 A- @; L
2.         public static List<string> GetAllHref(string url)
   6 _$ q( x2 g$ r) T  u
3.         {
   % S3 i- K6 j7 j" e. ^
4.             List<string> allHref = new List<string>();
   # A/ ?* \7 U) i
5.             try
   + m5 l  X4 e: t8 t) K
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   : @) e4 E/ y4 a% S9 \  h
9.                 {
   2 s" R9 d9 t1 L/ Y* {  k/ U/ C
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    2 y6 w3 B( p  r6 @/ f/ B  I
12.                     foreach (Match m in mc)
    
13.                     {
      r8 A9 o6 C1 t2 A' }0 T
14.                         Uri uri = new Uri(url);
    4 M3 Y8 A, s& f8 T
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    5 n& P1 {$ Q; {" _) B
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    3 z) p; v- w( V/ [
18.                         {
      w/ E1 k* G8 J8 O
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    3 A  {+ _. C" g5 A
21.                         else
    0 P9 |0 q/ A& P9 i8 g
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    7 J7 W+ {; e0 n$ n/ u, _
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    # d, g3 x; x2 f4 B
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    7 M9 T) k; {8 b
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    8 j( ?$ L6 K2 P
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    3 \2 K; G! r( J9 L5 H
34.             { }
    * N0 a: ~8 o" p3 }* ]
35.             return allHref;
    9 C8 G- `% a. i4 E/ o% ^
36.         }
    : u7 i" w6 n6 A
37.         #endregion

复制代码

* X/ k9 E" E" B% p1 B" F8 m

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   ) r' S6 G+ u% E9 G$ F! r0 F
5.         /// <summary>
   ; Y# l3 t9 q5 f) ?
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   6 M3 G& ]  E' @) h) f0 q3 F
10.         public static List<string> getUnqueList(List<string> list)
    4 B6 b5 g2 ~* R) U/ i! X7 J5 F
11.         {
    5 Y! R, E" \$ E: m2 l# W' @' {
12.             List<string> list1 = new List<string>();
    ! d2 h* R9 c2 h+ R" }3 u/ c
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    8 D1 q; ^$ s/ T# d2 u
19.                     list1.Add(s);
    
20.                 }
    # f% R+ {$ x) Y7 M. D* _5 i
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    : i% n6 e# O* a; K+ L
24.             return list1;
    
25.         }
    , U; \% e' V. l1 K9 t9 K
26.         #endregion

复制代码

. ^3 m$ }" x' n: N" a

guys

李小冲 发表于 2016-2-26 16:17

4 G! H7 b# J: F5 }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！！

0 i  }: F2 D; [% ^8 f* A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
   : j; @. _% P" |, _& ~& j5 s
2.         {
   
3.             string strWebData = "error";
   
4.             try
   ) M/ i% B2 j) U0 w' v/ I
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   & l0 ]0 j# j3 F: A$ R
7.                 // 需要注意的：
   1 j+ o' g9 j: W( K, w  B! o/ s
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);
    ( O2 v- g* W/ @! `& y' R* p* b
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    . q; [  k  @  F& R) Y8 N+ S
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)");
    " X- Q, }# `) X5 J$ l( ]
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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    . d3 D& [" J4 r8 ]
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;
    
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);
    
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    9 {) U- g/ m9 D9 j4 {! U
28.                 if (charSet.Length > 0)
    
29.                 {
    % ?. d+ A, [8 o8 u
30.                     charSet = charSet.Replace(""", "");
    / j1 v1 m4 T) Z; Q* {( x  |/ g, t( A3 Y
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    , A2 p  C8 b: o# `& s
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    7 x( p; @" K. E4 W& H
36.                         charSet = "utf-8";
    
37.                     }
    * S, ?( ~, j) B
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    4 n# k1 R  f# w) o4 I1 d
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    , t( ]2 d/ o, [6 k& U; j* D5 C: e
41. 
    3 u9 F! ?( J* H1 m1 f: `( I( I$ K
42.             }
    
43.             catch (Exception)
    * J3 l" W* G% x/ u4 g
44.             {
    
45.                 strWebData = "error";
    - k3 j' H5 e# `  S- ~
46.             }
    
47. 
    0 R) u4 y; O6 V$ h8 U$ }( u
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane