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
' `- A% Q# c9 {) j9 O比如：
8 z- g$ N5 _1 A) g. W5 F  @8 d5 u# [http://a.com/b
$ S" u/ |6 G9 |  P. Yhttp://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)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   3 M7 D2 v3 `- V; d' D0 x6 Q: Z
5.             try
   ) }- A: s0 U+ J& c
6.             {
   3 ]9 C" X# I: j8 c2 @' M
7.                 string strhtml = soso.getHtml(url, "", true);
   8 i' `2 c. J* M3 ]% _
8.                 if (strhtml != "error")
   : K3 i& k' Q3 w; A
9.                 {
   : V/ _/ J* t6 s) \
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    # W% c) c( A9 {# E. f" Q1 r
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    ) ]  T! J" Q$ X5 e
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    ' C* ^8 ?5 F; V
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    5 `1 x) z# v  V* ?% I
20.                         }
    # X0 g& H3 I8 g2 E
21.                         else
    ! B( r7 x8 [1 I  R1 F3 C
22.                         {
    1 |; k  J" D( H+ T, R* J
23.                             fullUrl = thisUri.ToString();
    ! u3 O7 q! F$ @! \) O$ p
24.                         }
    
25.                         allHref.Add(fullUrl);
    ' ^6 f8 ?" X0 t$ h
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    # H( u& W) @1 |% p) L; D" O
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    3 r. C$ d( S4 {* ]
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    * P) C$ n$ Z: D; ?4 j
33.             catch (Exception ex)
    % `- t( {: J5 Y/ I" e# i3 v
34.             { }
    ! I/ D0 s7 n4 x# Q. ]7 N9 Q( r
35.             return allHref;
    4 g: j; E4 m4 @3 n7 |
36.         }
    3 f8 m. ~: ?4 ?
37.         #endregion

复制代码

1 ?' J% o; J6 z9 y+ j& U

1. 
   
2. 
   
3. 
   , V6 J2 }  `+ B, v
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   . ]7 ?) O7 k! w5 C9 G
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   - u5 S& M! g# X3 b
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    ; I& Q) l' a1 [! A
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    2 K5 t5 k5 y8 V, S+ \7 C# X
15.             {
    
16.                 if (!hash.ContainsKey(s))
    0 M' L& ]3 a5 d6 d
17.                 {
    0 l7 Q' f5 H6 Z0 J3 Y$ S
18.                     hash.Add(s, s);
    ) [! P+ C% w6 Z  @; {5 h! D) V; q4 _
19.                     list1.Add(s);
    
20.                 }
    & ^# g. `) O) m) E# o
21.             }
    7 E, a3 i+ V! Y, ?, Y0 X* h
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
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
% ^1 G- r2 W; U1 n# c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";
   1 S8 ]. C* I% q- Y! `
4.             try
   * ?1 C, s# N) w+ e
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
     r' Z4 S# T! N* [
7.                 // 需要注意的：
   9 _+ v: V* k/ C
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
   * i. `# T, w! O8 K1 U
10.                 // webclient.Headers.Add("Cookie", cookie);
    7 G5 X- d$ r* G3 _: \* Q
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    5 L. q: O% B: b) e5 h
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。
    $ i# `9 i7 t* t8 I/ j
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    + J( I2 R1 q! G& |% p, J* {) }* c
16.                 //如果服务器要验证用户名,密码
    ' F5 d7 n1 O: ?, h
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    
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);
    . m# `% Q, [. L( ]
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
    / `$ w6 e/ I& T/ [+ ^
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    9 n6 X. j' n, q8 u# b
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    6 P- ]( }" f9 M
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    4 h2 S0 |+ D- E9 C4 {
29.                 {
    " O7 J! k$ }3 I
30.                     charSet = charSet.Replace(""", "");
    9 J9 B1 h4 o0 l8 N* W2 I/ ?% s) s
31.                 }
    $ X/ v, m6 @) i
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    / ]; Y& U! ^8 C$ @9 b0 ]$ e* z1 R
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    6 ]8 I  I. f: C$ L! d  c8 {
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    # ~% w( v: b3 y0 H5 l" E5 G
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    : ^1 q6 _3 i$ f
42.             }
    
43.             catch (Exception)
    ( ]6 t. I8 Q* P6 f" P4 Z4 l* c
44.             {
    # [0 P  J( }3 ~0 X0 S
45.                 strWebData = "error";
    
46.             }
    6 q0 D, p. o" U& j
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane