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
比如：
6 l7 w0 T8 S/ x  e9 {& Nhttp://a.com/b
http://a.com/bb.html
能自动去重复
4 s! p1 m' z4 W

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   8 |* j: P" ~; u' m0 ]* g" N
3.         {
   ' D! t. r0 c' a6 `: G4 U! `+ T0 d" P
4.             List<string> allHref = new List<string>();
   & \" Q" ^2 x9 a* W" x4 P! U7 A
5.             try
   ( V, Z- T; Q" J$ y+ X
6.             {
   ; |9 b( n) l; T6 R1 b1 v
7.                 string strhtml = soso.getHtml(url, "", true);
   + C$ j3 J. g, U  k1 u* u# U
8.                 if (strhtml != "error")
   
9.                 {
   7 Z& l5 N+ U: ^" k
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    * ?9 H7 \8 y% ^) ^: X
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ! x7 {$ Z5 Q% W( x' @2 L
16.                         string fullUrl = "";
    - B2 [6 L' _- z: e
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    1 m! q( v! |# }: ?
20.                         }
    
21.                         else
    
22.                         {
    4 ^) U' G: D  U" z& }
23.                             fullUrl = thisUri.ToString();
    1 ?$ V; h' i: v3 D$ z% z3 C5 Z
24.                         }
    2 Y5 R( Q, d  g, G' w3 `
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);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    ; q; H" P! Q( R5 F- ]# q
30.                     }
    
31.                 }
    
32.             }
    ' h) X: J/ @, h
33.             catch (Exception ex)
    6 T: E: g. D& ^2 @$ ]
34.             { }
    + _5 t0 q6 U/ \& F# o. u# H0 G
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   $ N: R$ R  E- c' H% {0 K+ K
2. 
   . Y$ g& M3 a* d- b
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   ; W" b8 i' w& ~3 R7 h- X; @
6.         /// List<string>去重
   : w5 W# B1 Q6 l( g3 r
7.         /// </summary>
   + t: {, g8 q4 c0 v$ w
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   ! \( G3 r. y$ P' x+ z: @) Y  {- H0 ~
10.         public static List<string> getUnqueList(List<string> list)
    . Q2 ]$ V( [, t/ [6 K' V1 H
11.         {
    7 G% b" S) t' j" ]
12.             List<string> list1 = new List<string>();
    : E+ @) n* V- p" L" \( x& `+ L! N
13.             Hashtable hash = new Hashtable();
    - J7 F$ G& {! M/ A0 e- J
14.             foreach (string s in list)
    
15.             {
    - Y1 G6 i5 J9 C
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    - N, [" M. f: [3 a: G; F9 S+ ~
19.                     list1.Add(s);
    
20.                 }
    ) ^$ @+ p  d- d9 n) @2 \# p: q
21.             }
    
22.             hash.Clear();
    7 a& q6 C6 ?7 k4 h0 q( k
23.             hash = null;
    
24.             return list1;
    * Z! s5 a/ B9 Z, u% P. G
25.         }
    
26.         #endregion

复制代码

9 T; e4 P6 L+ ]  H. }, @
' ?: @& N# B! O! n2 E0 n

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！！

- i5 P( s, C, M6 n" O: `" G- O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
   / h2 g( _( X. T5 M
2.         {
   
3.             string strWebData = "error";
   7 W7 i/ E5 g9 x9 s( R6 L
4.             try
   ; }+ T% N/ ~3 ]2 V8 W
5.             {
   4 k6 t( w: D& ?  I  p' n$ T& b8 x
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 i& S; e& G1 M+ @) E
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   " p. p* x* G5 D; ~/ H. _. F6 }
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
    . B8 o/ _: Z. z: t5 G8 e
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)");
    # S; r- j# J+ `& R1 S% y
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。
    $ f8 w5 V( J- M+ v8 G% i; u- B7 s% ~) E
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
      `, y2 w1 z# i; b
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    4 @* _6 \. n4 X- N
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);
    ' e, ^2 B& K# D% {* O
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    * `% q2 k/ G0 i4 I
22. 
    + T. v' Q7 f. O2 P, b* o% _" v3 D
23.                 //获取网页字符编码描述信息
    ; e& E. U1 J( Z1 {: R+ E; W- L
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    ; S7 x, U' j* C- B
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    8 d- M% F# K: g" A
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    4 m3 j! m7 V7 k9 u7 b- J# \: _
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    , a/ ?3 k9 q0 [+ d2 U3 |
36.                         charSet = "utf-8";
    : D- {, L2 i( J. p( T) t1 D0 ~+ D6 M
37.                     }
    ( L4 `! u+ B' s* M. F6 |
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    6 [' X# `7 r# E" `4 f
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    ( A# F5 b! G" y$ W9 a4 l
46.             }
    5 i0 h/ W0 i( c0 l+ X
47. 
    + _3 ~2 d& ~, N# a5 x( \, K
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane