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
( W* Z9 s4 h0 q比如：
. |* B( U- y8 d/ B" u# J3 g; M/ _5 ]http://a.com/b
: ]3 N  {. q" p9 Ehttp://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   4 ?/ H) L8 d. d! `+ c; W
3.         {
   " X4 v! l" ?( S, m
4.             List<string> allHref = new List<string>();
   : ~( ]& D5 c- D  X- f! q6 V! k
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   ! \* t9 f' |2 ^) s' ?( Y7 O$ B; s
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    + w, M7 W# B5 s2 o( y
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ) T* f5 F3 Z$ a5 h' j  r
16.                         string fullUrl = "";
    ) E' u( a  I( h
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    4 m6 _  j" @7 _
18.                         {
    2 l8 j  A! B  w# Q
19.                             fullUrl = m.Groups["url"].Value;
    - s9 Z# C# w; i0 k
20.                         }
    $ r; v, O2 p6 |6 m4 l
21.                         else
    - P! _, S& Z3 D( ~7 l$ n% ?
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    + ~$ M! b1 f3 z9 `/ s- ~2 C$ B* j
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);
      ]" H/ e9 L, Z+ R7 Q- F9 u
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    0 g0 ?- }0 A8 N, M$ a) H) |0 p% n
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    * R& ~9 j& v+ j( G
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    4 P" c' n6 a' ?) t
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

. z, l8 |' B$ x* W
' ]& @; u8 l# C, a; f# O

1. 
   4 R" l* K4 Y& M0 ~& G9 F2 L
2. 
   - G$ c$ |, T0 p4 C5 r' r. F' w. T7 t
3. 
   9 s9 W& r  C) e# V1 q" f/ e  ?
4. #region 数据去重
   . a( T" j, s7 Y3 j# l% I6 D& n
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    + g; N/ l" d7 y$ U6 [) B* {
19.                     list1.Add(s);
    
20.                 }
    * ^7 }+ k' C7 k5 j5 {+ P: m
21.             }
    
22.             hash.Clear();
    * }2 r+ `6 J+ [) E5 p) q. B# i* l5 z: N
23.             hash = null;
    
24.             return list1;
    
25.         }
    . s. S, k# |5 p" \( ~' u: `; `
26.         #endregion

复制代码

2 u3 D1 y8 l; T3 _+ C+ O
( q2 V$ f2 R& F. Y$ i2 ?. f3 x, w+ M/ _

guys

李小冲 发表于 2016-2-26 16:17

- ^! Y! }& g- ~' L8 f十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
) A7 k' v0 h1 F4 A( K9 }十分感谢！！！非常感谢！！

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
   
2.         {
   
3.             string strWebData = "error";
   4 e7 J, V0 m$ w) N; B% R6 {
4.             try
   
5.             {
   ! G" P. e+ d4 _5 t, z2 E
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
   8 \6 \# w* M9 @; c  U
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   2 J& K, I. b, n( |2 s
10.                 // webclient.Headers.Add("Cookie", cookie);
    8 o1 j3 ^6 _" _8 K! k% e& D
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)");
    ) A& L3 ^( z  j& M# z0 g
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。
    ' S2 W) b* y3 l9 I9 e
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    9 Y% S2 v* D* Q, B; A3 m
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    - \  \: X; |' C2 V
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
    # q9 e. c% e3 ]3 y( u  W1 K
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;
    
28.                 if (charSet.Length > 0)
    * |# Y2 s+ p( j! \/ d4 {
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    7 ?1 k  c! c# M  K% `5 |; E
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    ) G8 _% ^6 U# \8 F
34.                     if (charSet == null || charSet.Length == 0)
    + B% F( F$ h/ v. }2 o' Q
35.                     {
    
36.                         charSet = "utf-8";
    8 P6 E! F+ `4 @4 W- k5 b4 S: l/ k
37.                     }
    9 h; n8 F, a4 q/ V. h2 o$ B
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    $ G. S7 z, q$ y
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    3 O9 s% z' |0 a7 ~2 w+ s- ]
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

" v6 X/ Q" `! a

PowcAncn

weishaneweishane