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
2 F5 a& O/ ~2 ]. u比如：
" Y/ H, G8 Z  X7 Xhttp://a.com/b
# }* Y& U5 k7 b* W* jhttp://a.com/bb.html
能自动去重复
9 A. Z" X$ y0 e6 `3 t& \. A

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>();
   
5.             try
   
6.             {
   : E8 b; ?0 E  f9 T- X
7.                 string strhtml = soso.getHtml(url, "", true);
   ) Q- j; D9 H4 s2 F
8.                 if (strhtml != "error")
   : j+ J# J# e, K, t! g) i. ^+ F
9.                 {
   ; ]8 c3 D& s7 I* ~( ^% r" e
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    2 q: W1 j5 {5 p( J2 a
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    8 ]' i, _* `/ L/ B: F* c
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    ) N& D# S0 N& T5 O: T
19.                             fullUrl = m.Groups["url"].Value;
    ' ~& C& @' U' ^2 i  r( m
20.                         }
    
21.                         else
    
22.                         {
    + A8 x( F9 C1 n, E8 t5 y" [+ m7 c
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    ; T+ V  d  H  M+ G+ C
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    8 s: [. i; z% {5 W4 a
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ; D3 ~' G) ]3 y1 ^: u
29.                         //Console.WriteLine("…………………………………………");
    , |6 t% [. B6 z; d9 f- B: f
30.                     }
    " y6 B9 ?( `9 p  D* ~$ n* E" M
31.                 }
    4 {" k8 s$ E4 u1 F$ ^( _
32.             }
    
33.             catch (Exception ex)
    " K5 l3 Q! O, {1 K/ i
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

' D8 w$ X" ?4 B, u

1. 
   ; \0 V' W6 z( P4 A8 q& u
2. 
   
3. 
   
4. #region 数据去重
   0 a% z1 n& }1 D! Q7 n  W
5.         /// <summary>
   # N' I. A1 K; q/ q# f
6.         /// List<string>去重
   9 _- w/ E- \3 I6 r+ o
7.         /// </summary>
   
8.         /// <param name="list"></param>
   ( {8 A9 ], y/ \! H  M
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    ! c/ j, r* `) l/ I" m
11.         {
    0 G+ r# O) I% y- j  _7 F1 c
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    , W, L$ I" Y2 @( A. F8 F# \
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    ) }7 L, z2 D) x: L) l. `# k
20.                 }
    
21.             }
    1 G( M) l; g7 }1 D7 o- S, }
22.             hash.Clear();
    2 x* ]: i6 }% b# q
23.             hash = null;
    
24.             return list1;
    3 W7 C  E5 ~# d/ |% Y% X* F6 e
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

: w8 N/ {& D% Q& W8 m) q十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
  T5 p5 D9 K5 F8 D/ s十分感谢！！！非常感谢！！

8 V7 a! p0 p, n* i! }缺少一个gethtml,用下面这个：
$ Y6 m8 Z* |3 m8 c2 @

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
   % {" a+ D7 z: q* i& O. Z
2.         {
   5 K/ U+ U8 X- u) h5 S7 l: _9 }
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   7 i, J* U9 z! N9 q! w) ?) e
7.                 // 需要注意的：
   3 g- Q7 }3 b; {# n: z
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
   / c! t1 E+ k0 d* X& p2 s
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);
    , A: d  `, @7 N8 q; L
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)");
    0 }) N8 u  H2 y+ Q! y; b5 Y9 M
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    3 M0 o% a) o) c
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
    3 j2 z0 B4 K' s2 X
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    3 ^+ U" }% @! d6 i. Y3 J, S# i9 p
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）
    1 i* v6 c% M  G! w
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    / W8 [/ F7 U: F& z( d+ p
22. 
    1 P) b- N- U" j) b/ Q
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ( n9 y6 U3 U1 X0 _/ r! C" \
26.                 if (charSet == null || charSet == "")
    # c* X5 Y! m$ q' @, w/ W* D! Y" P6 {
27.                     charSet = webCharSet;
    5 m/ j0 s' u, x# N; W1 e/ p
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    , K! i- a1 u2 J2 R5 L4 i
31.                 }
    * X$ Y2 X; X. N- V
32.                 if (UseUTF8CharSet)
      e( k/ q2 F- T. r& I4 E
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    3 ~# E# Y4 I, s' j2 j% ]0 w  p
42.             }
    
43.             catch (Exception)
    
44.             {
    * a' J7 X; w2 U# o- H
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane