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
/ r' w5 H. ?# Q1 v0 ]! l比如：
. l  ^% |7 Y# nhttp://a.com/b
- L: ]* h) j- n% M( J9 E! K- ohttp://a.com/bb.html
能自动去重复
$ h  x( K/ M8 L% |- h& F. j

李小冲

1. #region 抓取全站链接
   1 }5 O6 W% \; Q" @" W6 V4 ?
2.         public static List<string> GetAllHref(string url)
   9 O- c2 _3 f6 c5 C
3.         {
   9 T7 ~( m& w+ V+ j, r' i: E" ]$ `
4.             List<string> allHref = new List<string>();
   ! P6 e4 T$ G1 D+ R
5.             try
   
6.             {
   ' R6 j7 D# M: J, d5 A5 c
7.                 string strhtml = soso.getHtml(url, "", true);
   3 D6 E: u( q3 X# Q
8.                 if (strhtml != "error")
   + |8 X! ?3 U! V2 a! G) A) @
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    6 y7 @/ Q; l- o
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    & G( w" D  ]1 `' g/ X0 e" X( T
13.                     {
    ; q+ r; J$ ^, m+ V! h9 O& j: A
14.                         Uri uri = new Uri(url);
    + w; J  L: e/ J) L
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    3 o+ ?# Q7 s" n$ o
16.                         string fullUrl = "";
    ! I/ Q7 G5 i. A8 m4 Q0 A' ]/ {* M
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    9 i  v6 W/ m+ U4 G4 G
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    0 E( T2 j- W7 A, G
22.                         {
    ' H1 X2 k9 a. p/ J( B- W0 y6 A( n
23.                             fullUrl = thisUri.ToString();
    4 N( H  ?( B& ?8 A
24.                         }
    9 a; F" M  e2 t4 o" O7 N
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);
    ; |  C9 d2 s7 d& e# c& J9 a  H
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    & Z& S8 `- ^9 t* m4 i; P
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    + |* T" _6 S! m/ b) ~- b9 e2 Z
31.                 }
    4 v( [* z" J, @- h8 A
32.             }
    
33.             catch (Exception ex)
    8 D2 Y' ?* R! d% R5 R; r
34.             { }
    + t. t( }  r) b) @3 R
35.             return allHref;
    9 g1 e: J. ?0 K. U: O' E
36.         }
    3 h3 w, z, p) Y$ `2 S
37.         #endregion

复制代码

1. 
   
2. 
   - e: N+ j  E4 H2 `4 i7 S7 o! s
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   ) u; s- P8 \2 B9 n6 X
6.         /// List<string>去重
   * {9 c" L) a* P1 H
7.         /// </summary>
   
8.         /// <param name="list"></param>
     G! X) v# y, M# U# ~
9.         /// <returns></returns>
   3 _2 `( Z+ Z' }, J, U% S
10.         public static List<string> getUnqueList(List<string> list)
    3 |# M) H3 q0 ^6 ^& j/ ~7 k1 l
11.         {
    
12.             List<string> list1 = new List<string>();
    ! ^/ \/ @; k, d) J) x% y$ A3 t
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    7 [1 I- f  g* {3 k1 p4 |
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    7 ~: \/ d7 X. {. Q4 L
18.                     hash.Add(s, s);
    6 T* a6 k8 N' h4 m' K
19.                     list1.Add(s);
    
20.                 }
    ; y# x" J6 z& g! Y3 b
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

- ?5 y- [' e4 B

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
十分感谢！！！非常感谢！！

8 |5 M% J" Y3 i0 y3 \. v- u0 [8 X  `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
   9 s+ J9 l( A, ]5 b
2.         {
   $ A6 P& b" |9 K# \( p
3.             string strWebData = "error";
   0 V, J1 L' K7 e- f9 a/ N) _" e
4.             try
   
5.             {
   ( T6 y) V$ o% O: v
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   
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
   7 p5 \" J. s/ E8 S2 t
10.                 // webclient.Headers.Add("Cookie", cookie);
    ! u0 Y% F  Y1 q" }8 ^) ]
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)");
    # n9 o7 k2 [( E; x  Z* m
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。
    # N; j; x: a: _1 m, T7 H* F
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    ; ]# \+ Q9 {, G* ]+ d9 ~
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    - `0 `1 G% C* F1 e2 i+ \) ]# i" ?
18.                 //myWebClient.Credentials = mycred;
    7 c7 m) S- K1 G! L* \* X
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);
    ! i2 m+ |; w* A$ Z# {8 H+ N6 x! ^
22. 
    # D2 P; o$ [( k2 b" p/ q$ F
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);
    ) Z6 }, m  M, z. P
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    6 R' M% h* {6 o- a: c. w& g1 Z% t6 k
27.                     charSet = webCharSet;
    ' A/ T& @  q; T
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    / b( H- i. p8 _- E3 K8 U
31.                 }
    
32.                 if (UseUTF8CharSet)
      i. ^( c3 H' Z, o% f3 W
33.                 {
    ) j% V' Y0 Q/ B( R$ V& s
34.                     if (charSet == null || charSet.Length == 0)
    - I0 J8 W1 p  @% M5 P/ ?5 ]
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    7 K5 w1 L% a* q0 S& C0 U. ~
46.             }
    
47. 
    - {0 L/ l. j' V8 e0 ^7 s# V
48.             return strWebData;
    - o+ c" ?9 M! E: d
49.         }

复制代码

* E# U$ r2 }/ r/ S- x4 A" y; A
4 [& _3 J( Y! U5 ]. j) A, }

PowcAncn

weishaneweishane