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
9 V4 g0 G  j( i6 ]+ a比如：
http://a.com/b
/ Y1 [+ Y8 h& ~& }5 K. ~- fhttp://a.com/bb.html
3 T1 q! M+ h, V9 C& P能自动去重复

李小冲

1. #region 抓取全站链接
   3 G' b1 D0 s3 O: Q7 l
2.         public static List<string> GetAllHref(string url)
   # Q- U$ N' |6 z: ~  f
3.         {
   2 O# r2 ]4 Y* u  K! @5 x
4.             List<string> allHref = new List<string>();
   0 @6 t8 L2 |. U1 g. S# N. B5 u
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
      Z( h' K( M4 U( q  W! ]9 `
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    / s0 S. _" U3 \: e1 `; n0 n
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ' O! k- g7 i, p& \# |4 i
16.                         string fullUrl = "";
    0 V' b4 {0 Q, p$ Q  D2 _
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    $ ]1 |( g5 e  a* m8 r* t
19.                             fullUrl = m.Groups["url"].Value;
    5 ]! z9 D: {' q' Q# h
20.                         }
    % v1 a: U! J! q+ U* h  {1 c
21.                         else
    6 Z, p* M' u- o* c  z. x! h' A9 m1 e' w
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    5 k6 u- j, y" W- f# F* s; [1 {+ K
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    + |$ l5 s- P! H1 n3 i! `% m9 [
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    . G1 E2 u( i+ k
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    6 q# Q" |1 U' ^( _' y& i- ~
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    3 d/ t: s% i6 j) f" J  D
32.             }
      g, U$ N, x1 I: a0 |% |
33.             catch (Exception ex)
    * E3 l9 v. U4 @2 R. v  a. ?
34.             { }
    
35.             return allHref;
    2 ]% |4 J& l/ X5 w& N4 c$ \
36.         }
    
37.         #endregion

复制代码

1. 
   ( b1 X. U1 z5 ~
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   ' Z) [5 j$ R) q$ b5 X, t4 P
9.         /// <returns></returns>
   8 X2 P/ U# l- z5 Q9 `
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    % a. K- X, A: r2 V7 ^% u! P
14.             foreach (string s in list)
    7 \( D+ O) `+ W/ L4 H1 A
15.             {
    / r" U8 J$ i0 ~% u! _) K
16.                 if (!hash.ContainsKey(s))
    0 m7 X5 ^& S  l: _' [+ V% l4 R/ e( [
17.                 {
    ! F% w7 X7 [8 |% W
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    : F' O3 b4 z; V
23.             hash = null;
    ( n+ k! n- l6 ]6 n- M6 K2 S* \' z
24.             return list1;
    
25.         }
    + A6 J' p: i6 Y
26.         #endregion

复制代码

/ d( x$ ^* O- u
! @  G* C+ E& p$ O" p

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！！

- L8 Q% Y5 e8 x7 h( a" A3 z% R缺少一个gethtml,用下面这个：
( A+ i6 C$ u7 M

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
   / _6 n$ @) w: z% ]
2.         {
   
3.             string strWebData = "error";
   ( _. O) B1 F2 L- W& l, F
4.             try
   ' v' I5 s1 S! J+ r0 J
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   # \- r6 L# s% i" F1 P
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);
    9 S- n3 p# C9 U- l5 c' P2 N& w! ]
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)");
    % N% g5 K8 D# p
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。
    % ?7 a0 T; D/ a& s
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);
    
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);
    2 }7 f1 ^; G2 {% b
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);
    ' g8 m+ g5 {( l5 l
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    2 _7 S1 s9 T- A9 F* L( I% a- M
26.                 if (charSet == null || charSet == "")
    2 d9 L8 W$ x% e( f  m) G  w, {
27.                     charSet = webCharSet;
    1 q1 J& Q% N/ M& d4 q  V. G3 x$ O
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    ( ^7 a, y' o( m; ?( u
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    5 E' ^2 L) x8 s, z
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ( z. z# R9 Q2 s
41. 
    $ e9 J! P4 I7 z, @. i2 f
42.             }
    5 [2 a) {% v3 L2 U) c9 U  Z
43.             catch (Exception)
    * O& x- h: O+ t9 v) e' Y  E
44.             {
    
45.                 strWebData = "error";
    ! h9 R. N4 N. v% R' C
46.             }
    
47. 
    2 X5 J2 G6 p# q9 ~
48.             return strWebData;
    
49.         }

复制代码

" M  W5 k( M  o. X2 m/ _; Y  Z
" \; ~, f8 S2 z) w2 Z2 F: y; u

PowcAncn

weishaneweishane