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
1 l8 _$ Q; e. Z% i/ t5 {比如：
http://a.com/b
6 P8 h5 d# y5 K* o: N- _http://a.com/bb.html
能自动去重复
# |$ W: ~) `( o+ E' `) n

李小冲

1. #region 抓取全站链接
   2 G2 o8 s9 S5 U; F5 \0 ^$ y
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   8 n/ p- c- F: |( D* o
6.             {
   * Y8 `, i: H, q9 e4 b
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>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ' O% }  t0 q4 m: k% I
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    # M& o/ J& W) K
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    " s. S  G3 i8 ^" d4 n# w
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    # @! b# U4 e  D1 A! c* f
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    0 ~# ^% k" w' n7 n, f6 _0 q! B
21.                         else
    ; t( l  G+ x9 C1 f* R0 [0 g5 }
22.                         {
    8 ]- Z* f0 U: T2 p4 o
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    " Z- V" l% l! Z+ r' G
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ; ~& w. z- g$ \) q4 U* g: x
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    : r8 D) \7 c2 Y# j) ~+ t# b# o
29.                         //Console.WriteLine("…………………………………………");
    5 |9 `5 f0 P" S" i
30.                     }
    
31.                 }
    % B6 d" G( z& R1 c& _5 k4 d
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    2 ^$ W+ B( O0 M; V
36.         }
    5 G2 v6 D  c6 S& p* e3 a3 p
37.         #endregion

复制代码

; }5 m- m2 a6 Y1 V7 X( e

1. 
   0 U7 V2 O# \) g) {/ U; y
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   5 L5 J+ l' j. f+ o: v: y
6.         /// List<string>去重
   - ]0 t% H( J  Q8 t5 ~5 y
7.         /// </summary>
   
8.         /// <param name="list"></param>
   4 V5 d& C% `& F: x% z
9.         /// <returns></returns>
   . Z4 m8 y$ F0 }* B
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    1 D) U- ^' c" t' `4 _) }8 [
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    ; _2 _6 d2 S6 e# Q6 H
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    3 N, \3 E; b6 _  Z) K# Q. |8 y
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    ( b  V9 L4 y; {: Q- F
20.                 }
    # t2 G$ g0 E; h3 _* H2 V+ Q
21.             }
    9 b. l. u8 b1 d# B/ E
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    4 f3 y* R+ [" K8 u) y
25.         }
    
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
& A5 X( _% h- e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.             try
   - i; ^5 a' i4 ?! _
5.             {
   2 ]6 y4 d  N* [# i8 G) Z$ d% C* l  ]( X8 ?
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   6 ]( \9 _0 o0 A, K  l
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);
    ' }$ K1 g' S# c7 ~
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)");
    
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。
    5 k) n# X) P  @9 y
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    ( L, Z  V6 _: l. z
16.                 //如果服务器要验证用户名,密码
    5 B4 K: O- F% s: O4 q8 ~
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
      m$ V3 J: w1 G7 ?+ L5 Q9 U9 p4 B
18.                 //myWebClient.Credentials = mycred;
    . X8 s$ {) Y5 q0 Z
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）
    2 B" G# u8 U- L, d
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    / H1 a& u6 H" A$ J9 L
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    & i4 R5 ?( C4 o! l3 _; J/ T' P
22. 
    
23.                 //获取网页字符编码描述信息
    ) h: @6 o4 ?$ T. j: u8 H
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    : @' q! T! x0 ^$ E8 z, y/ [
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    + P8 O5 S6 N1 ~0 D; r  B; n7 ]0 P) g
28.                 if (charSet.Length > 0)
    
29.                 {
    + k# C5 `' J/ m' K
30.                     charSet = charSet.Replace(""", "");
    - [$ b. d1 \2 b3 b9 s
31.                 }
    % Q+ m3 o. K! U, {. d, ^8 g
32.                 if (UseUTF8CharSet)
    
33.                 {
    * r2 v3 k5 C+ \5 K  n
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    6 [" P: _5 e* w+ D- D& g6 n
36.                         charSet = "utf-8";
    
37.                     }
    $ [4 d* \2 c, w/ n: P0 P7 O6 k
38.                 }
    ! B7 U: e9 W* O
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    " c  n! w8 y) Z2 }
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    7 c% D) ~- }" o7 e  }: f& D. Y
41. 
    * N, q4 @( a3 h- l7 ?/ M. }
42.             }
    * ]. F8 u4 m, b8 z/ o7 S, P  f
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    - G+ e6 L" `7 T/ E
47. 
    
48.             return strWebData;
    , N. \" s3 B0 Y8 X6 y) o  N
49.         }

复制代码

* u. w8 d' E* \4 _( z2 a' ?

PowcAncn

weishaneweishane