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 p7 ~2 v" P" y比如：
http://a.com/b
2 ~8 S  r* W5 n; |7 vhttp://a.com/bb.html
7 j3 ?. x( ]' M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)
   $ F0 F$ W- O2 z9 [+ e; j
3.         {
   / }  s+ o( p/ h5 F6 L5 c
4.             List<string> allHref = new List<string>();
   & A$ w" M' O! g  V
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   5 ]$ F- h! \7 d" S& A7 c+ Q
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    * x: W" H1 r5 T- o5 l) s
11.                     MatchCollection mc = reg.Matches(strhtml);
    2 P$ D- \0 U( E. O1 b8 W
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    5 ?- G5 ?/ T6 E0 ~
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    ; @  n+ A! {  D4 ?! ^
20.                         }
    - q! W" X. S8 f# w0 e$ f
21.                         else
    5 \5 {1 V8 l0 R1 h1 B% i$ H; M1 L
22.                         {
    2 [9 k* U" m  E. Y4 C
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    8 \, }3 x$ J  k5 {
25.                         allHref.Add(fullUrl);
    0 i; B  I3 O+ X" b
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    8 T% C7 U& C- z* X
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    ) F6 V& M  `4 m. G% w4 V
30.                     }
    
31.                 }
    4 o3 C. i* M# ]; ]8 ]
32.             }
    
33.             catch (Exception ex)
    * W+ f6 |6 H0 D7 ~1 I; Z
34.             { }
    
35.             return allHref;
    4 \2 L* ^! V7 g3 f  a
36.         }
    % |* x  F. O- \% K& }" D7 S
37.         #endregion

复制代码

1. 
   
2. 
   * X# S" t4 h# Q/ d
3. 
   1 B  p4 c: U6 a/ U+ U1 ]" t
4. #region 数据去重
     A! ~- n. _+ r. ]# @% f
5.         /// <summary>
   
6.         /// List<string>去重
   - C" _* N& X+ v2 N  ]( S7 S
7.         /// </summary>
   
8.         /// <param name="list"></param>
   2 z4 E/ g/ o6 ~
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    4 c# O5 j- W2 }) m; L
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    0 X) i! |* N) s- E: {+ R, g
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    0 P- n3 z/ {# l( I
19.                     list1.Add(s);
    9 l0 H$ \. J" Y6 d9 a
20.                 }
    
21.             }
    
22.             hash.Clear();
    / I0 k2 r) S' ~4 a8 `
23.             hash = null;
    
24.             return list1;
    ( i# @$ w; G8 o, b7 N) w) D
25.         }
    ' J5 P& J+ K/ r! a* ^3 @
26.         #endregion

复制代码

5 Q0 a4 t# D9 O+ O2 d

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
) W- E% {/ F% B! W/ @十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
3 @1 X1 H% j# |

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.         {
   4 J: F) v2 q" |
3.             string strWebData = "error";
   
4.             try
   ) Q0 W0 }+ K( o* Y9 i) b
5.             {
   
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
   5 t9 t9 d% w; _. P
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   2 a- e" G! k$ c9 N
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)");
    ! G( j( b6 O% f$ E, z, Z( [* i
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
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    0 u9 U6 d0 w7 L  D3 B) n
18.                 //myWebClient.Credentials = mycred;
    - l# D1 @, ~; u: [, B1 }  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）
    * X, v! q  l- V; t- m- \- t
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    - T1 h1 d, |9 S& O! ~
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    " }# J7 w/ d7 B5 R% D1 i
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);
    " k: m0 b/ G3 o
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    ; D" I7 {+ J7 M, |. d! A
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    ) _7 }0 }' i  X$ i
30.                     charSet = charSet.Replace(""", "");
    ) ~* `  t3 ]& ?) [$ A
31.                 }
    9 q) M* H3 W0 w" V6 m% e" W
32.                 if (UseUTF8CharSet)
    7 t' A5 A$ G+ s  E0 q5 f
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    8 T7 q1 H. j$ w& ?' _
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    : j3 ~/ l" e; B: o+ B" o
44.             {
    
45.                 strWebData = "error";
    1 Q4 r& `4 z  n& E3 l, S3 E/ x% O  |
46.             }
    
47. 
    ' K& Q" l/ s; g: x1 F
48.             return strWebData;
    , \- G2 H9 [* ^
49.         }

复制代码

! s) G. t" r9 K1 m* V- o& {1 P: @

PowcAncn

weishaneweishane