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
, `: O) X" k5 I4 s0 Q& e1 q8 t' f比如：
7 C. w. q2 Q; k$ a% g' Ahttp://a.com/b
http://a.com/bb.html
8 b$ o0 p7 a/ }6 S! D能自动去重复
& f$ ?; h+ x3 ~, ~! l

李小冲

1. #region 抓取全站链接
   + q/ @8 V( Z1 `0 z$ Y
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   + n+ B* o# p4 O- n$ M
5.             try
   ! l2 k& g% b& L% j4 I. A
6.             {
   7 d0 n* t. y/ P& h" D* |
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   , O9 }" k! Y5 g! [
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    # `6 b& l0 J6 F
13.                     {
    ) @9 V1 L6 o: Y$ f" c
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    , e9 W$ _7 C$ i# l' s8 l
16.                         string fullUrl = "";
    ; y2 b9 ?: P4 l& X
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    6 H9 [( s$ D  W4 q  }# {
20.                         }
    6 \/ r% R% Q- k9 F- J, }* R
21.                         else
    
22.                         {
    6 `; a2 T/ w5 {& h% a
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    % ]( W' ]$ S+ Z
25.                         allHref.Add(fullUrl);
    9 V. H# n3 ]* s! \4 E1 X5 k5 }% P
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("…………………………………………");
    
30.                     }
    4 X0 C4 a, W5 q$ z
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    : V8 O6 S' a2 ?$ Y+ _# L
36.         }
    9 Y6 L+ I5 E" M: A7 z9 Y7 f
37.         #endregion

复制代码

! h  [6 L9 V2 o8 \' W7 d

1. 
   ! R( M9 u1 i+ l
2. 
   
3. 
   
4. #region 数据去重
   # _& n! q) L# g% V* L' @
5.         /// <summary>
   1 e# ^. |8 m" Z! z6 w" ~$ S
6.         /// List<string>去重
   0 L/ r9 ]" T" {
7.         /// </summary>
   * I: K7 |  f+ S
8.         /// <param name="list"></param>
   " p2 o( `, t& z1 u
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    # `3 F  V! [# o) S, |, X( S
11.         {
    2 B) Q' s# Z2 Y  e  ?9 O0 q& T
12.             List<string> list1 = new List<string>();
    1 `* E7 H/ g2 n
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    4 i0 Z; X7 l: X& J& O6 k
20.                 }
    : O2 N+ ~  |  `2 l
21.             }
    / D0 I0 ~! G" K: m& A
22.             hash.Clear();
    
23.             hash = null;
    . W. @5 j! f3 s# D8 N- n2 c
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

& ?' M- d  D4 R7 L; ~

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
* Y% z- @$ D* ^# \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 @: @* B/ ?$ n' K
3.             string strWebData = "error";
   
4.             try
   8 X% J  @  K0 T2 m. F1 R1 Q9 H2 a
5.             {
   $ v, E1 B$ P, Y: U8 V8 d
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
   
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
    9 k) d! I, z7 \/ H- L) n- |
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)");
    ( s- F+ ^# T7 m2 S" A  i, h- T2 k
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;
    6 k5 m4 q6 r, y7 J
16.                 //如果服务器要验证用户名,密码
    6 b. u$ b. g/ t9 C4 M* h# v
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    . z, x; z4 {) X. t9 w
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
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);
    ) Q' h) o2 w) h6 r5 z0 x
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    : j: g6 A( w8 l" Y+ g
26.                 if (charSet == null || charSet == "")
    / ^/ f! w2 v! p, z: v- X$ f
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    & y% H, `9 }! X1 _& r5 f
29.                 {
    , B( a- X* q' ^$ p, V( I
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    - i8 `, T5 h0 Z$ O1 U) x
32.                 if (UseUTF8CharSet)
    ( \0 w1 k0 N. G1 R$ j8 c4 N
33.                 {
    2 f8 I3 M! |& G* V+ R
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    5 o+ m; L8 q0 z) X. a$ p- x/ T2 w
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    7 U- t7 R3 c. s9 `7 q$ e( ?) ~
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    5 n" w" ~" E- I4 }& a$ Q# r& I: p. o
41. 
    8 Y5 h1 p% v& }, o3 B
42.             }
    # D7 Y' o' S( ~; o# |/ P- U
43.             catch (Exception)
      H- ~/ X3 z$ C. ^2 Z
44.             {
      i5 @9 w9 L, `
45.                 strWebData = "error";
    % A5 y4 X! j9 f6 ^: S; v: {
46.             }
    5 V/ L' l- q6 h6 O
47. 
    
48.             return strWebData;
    5 b; H3 A% `3 r. I3 `
49.         }

复制代码

PowcAncn

weishaneweishane