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
( x0 ]& y6 y3 @$ P' |9 j) k比如：
http://a.com/b
http://a.com/bb.html
* `+ x* d8 i1 U" O: O0 W能自动去重复
7 `7 M& x2 c* ^% _7 R

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   2 y5 j9 g% c( K0 G8 Y
3.         {
   7 ?( N- e5 j  C0 F) |4 Q) _* Y: a
4.             List<string> allHref = new List<string>();
   
5.             try
   / n! @) _4 c& N/ M3 {
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   0 Q8 e( W' t0 S! z
9.                 {
   & }2 f6 g( Q2 E% k
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ' c$ J% w* v& V
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    9 T' A* S0 |, E" U
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    4 A4 x  u9 Q' `7 S2 \% @( g0 B* O
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    * L: W/ J1 o6 ?) a& N" E
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    ; ~  F0 n8 l& E8 W
23.                             fullUrl = thisUri.ToString();
    
24.                         }
      `" C# h: e4 o* V' o& U! Y
25.                         allHref.Add(fullUrl);
    % {! S7 y: x7 I4 j0 S
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    # T7 q8 T* V  x! c; s0 q
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    : [. J3 G$ ^; R- ~  X* s
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    & p0 r+ J" M) [, f
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    $ I; a3 E6 c. x/ d% V0 C. F
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

# `8 T! f; N# Q3 t3 ?" z

1. 
   
2. 
   
3. 
   1 V7 D# p, c2 L+ o9 y: E6 x' Z' E
4. #region 数据去重
   
5.         /// <summary>
   : D7 M3 E: y/ v' g: w0 l
6.         /// List<string>去重
   
7.         /// </summary>
   5 a- q$ t) g; J+ Y/ p% m) N( x
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   3 l4 G' h! n. ~* y7 `& ^+ {0 z+ t3 e) V
10.         public static List<string> getUnqueList(List<string> list)
    0 a! F+ e$ Q& I& e" g8 C' f
11.         {
    
12.             List<string> list1 = new List<string>();
    2 a/ t/ ]9 ]7 ?1 U' s: a/ ^0 j
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    0 B% a  `  g/ H+ [0 X$ z$ J) X
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    8 |/ e% H5 i1 L6 H7 R$ C0 c
19.                     list1.Add(s);
    , ~) U$ R$ A) V7 d
20.                 }
    
21.             }
    6 b" R4 i, E" ~4 U
22.             hash.Clear();
    2 M/ r4 Y+ ^, p$ C/ h) e9 h
23.             hash = null;
    2 `" [0 }! k& R% X+ H' n
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

# F' w; h- o- X4 x3 ~+ ?/ w; |

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！！

9 X: ~/ K" w/ s7 i" t/ o缺少一个gethtml,用下面这个：
1 w  D: h; M+ O! Z8 s

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
   8 F# z( @+ S+ H7 A* H
2.         {
   
3.             string strWebData = "error";
   
4.             try
   ! @+ w' h. F7 A& \& E) {
5.             {
   $ _/ N' B4 {2 z) T
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
   2 y* ]( b; R: u4 H6 a
10.                 // webclient.Headers.Add("Cookie", cookie);
    
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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    9 t( `3 B$ L; `1 I2 O
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    9 U7 M% i/ A5 P7 j7 Q' J
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）
    * C3 j1 V. j2 }( g0 T
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    / e0 H% f) d3 S1 l. R  Y0 N
22. 
    
23.                 //获取网页字符编码描述信息
    ! `6 J; E/ H' y' i5 Q/ v
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    $ @* Q8 {$ d9 a, U
26.                 if (charSet == null || charSet == "")
    6 v# r0 u; |2 }- e7 X
27.                     charSet = webCharSet;
    * i: G' q8 J7 f4 ^
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    % B: M5 G5 J) l/ |
33.                 {
    " b8 v$ G' O  s/ H7 k0 E4 ]
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    ; C6 v' ^: J4 J7 b  z+ {
36.                         charSet = "utf-8";
    
37.                     }
    9 m0 i7 `) z! F. A
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    6 D& x8 Z; z1 N% d
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    + Q7 q! L( ]4 q* e1 g8 X1 d. c1 N
47. 
    2 i& p, K3 U) [/ E& H3 ^
48.             return strWebData;
    
49.         }

复制代码

! H- F: D& M. B

PowcAncn

weishaneweishane