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
8 ]3 h: E  b* L比如：
http://a.com/b
http://a.com/bb.html
; x' C& a7 Q' R; [, b& L能自动去重复

李小冲

1. #region 抓取全站链接
   * t' x' |/ `3 Q4 I3 S$ \/ M
2.         public static List<string> GetAllHref(string url)
   : P! Q; h: o! O: n) Z; U
3.         {
   9 G0 [9 t4 N, U, \' C- k6 V
4.             List<string> allHref = new List<string>();
   * M9 f& V1 T: u5 \+ g% m
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   ( ?3 R: w7 n1 @" O1 b5 C
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)
    
13.                     {
    " |$ O  Q5 K7 g5 q/ v  G
14.                         Uri uri = new Uri(url);
    - Q# S& G/ S5 \! T; M5 i  o
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; C% ], M6 U- Q9 f. p  e6 d
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
      _: D* I6 q$ o' S1 {: ^
22.                         {
    6 U: [: ~& b' [8 r# ~
23.                             fullUrl = thisUri.ToString();
    ( X# B( D1 x4 m3 M. n8 y6 w* \- z
24.                         }
    
25.                         allHref.Add(fullUrl);
    2 X7 d) V& {% R! F! ^) C: w
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    / S) A+ s" M% Y! W5 R
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    - O2 H1 }" p5 T6 H
31.                 }
    
32.             }
    % X. Y5 Q2 k% j- N8 v
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    1 @! c1 b8 @# g" q! I# E+ U
37.         #endregion

复制代码

" N; i" M) ~: Y- Y3 R- z5 V

1. 
   
2. 
   ; d+ R! S4 p- C# G% ]! O/ T/ X
3. 
   & ]6 ^7 \4 g2 ^7 G  S
4. #region 数据去重
   7 M2 H; p% l# U7 m
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   3 o1 d7 V. |4 f
8.         /// <param name="list"></param>
   % Y. g/ k  `& ^! _
9.         /// <returns></returns>
   3 ?" s& O! v# F$ X0 W
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    $ d8 d8 `7 ]* J- e" C
12.             List<string> list1 = new List<string>();
    3 h; o" s1 _4 ]+ B
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    + X% a0 B. R; ]1 r" Z' U
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    ( r/ ~2 N5 B  H: n* G
21.             }
    1 F5 y2 s- ^& V
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    ; N3 t* z6 O3 ?$ d' n
25.         }
    * ^* N; D" g: K; T* ^+ g7 ?
26.         #endregion

复制代码

( J/ f5 ^; U, o

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
0 ]# p& p+ a# J十分感谢！！！非常感谢！！

+ w/ ~& A& G8 p) f2 ]$ A& f缺少一个gethtml,用下面这个：
6 g, T& i; y, L0 {/ k

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.         {
   6 d" \2 C" p: X3 I% }
3.             string strWebData = "error";
   
4.             try
   # a; B% o6 P! `- f
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   # b/ j$ f+ s% L/ F! [
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);
    0 z/ [+ M% G: n" R
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)");
    
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
    , L8 C/ X+ t1 p5 ?
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);
    3 A& y! \8 J3 V- G$ i% _; Y3 @) u
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);
    2 R' ^* M" t3 F/ x% i
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    ; M2 ^3 A2 N  O4 [
28.                 if (charSet.Length > 0)
    
29.                 {
    , |) l* v. G9 d. B
30.                     charSet = charSet.Replace(""", "");
    8 @2 H! V0 C* {1 g" A! Y% {
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    " L3 U) x: C7 j* q: Q1 H: u
34.                     if (charSet == null || charSet.Length == 0)
    ; `5 J! N1 c, X4 Z
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
      K% J8 |4 h' G9 A% k/ q% c
38.                 }
    ; z) M6 Z% l$ j7 F6 E7 z! [3 P
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    + ?1 @; ?% a' f4 D
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    " x! c: j" I' @
41. 
    
42.             }
    , u( p" P+ W$ d$ K9 B! N
43.             catch (Exception)
    
44.             {
    / q. N* a3 X! k" b8 Q3 \7 x, {
45.                 strWebData = "error";
    0 m  G. x: ~8 ~- Q5 Y8 @6 `# c! O! C
46.             }
    2 ^! T) @, ?0 l
47. 
    
48.             return strWebData;
    
49.         }

复制代码

6 D2 J# D/ U0 L% L! p

PowcAncn

weishaneweishane