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
1 C  l# m9 n& d) \) d比如：
1 I: T. x2 C; S4 L+ ]- [4 g0 z+ \; Shttp://a.com/b
http://a.com/bb.html
能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   . f+ J; E, T9 S' i* Q3 ?4 l
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   ( h3 ?; F* f6 b; }. o! @- J# C5 {
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   + h8 U; Q' v1 ^
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    & q0 l" s2 G5 W; A
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    $ @4 r" ?- v1 V9 A: A, J% f8 R1 D
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    * j: x9 m- o! ^) d5 X
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    7 W6 K* C1 p, v0 W
24.                         }
    2 ?, |  N4 w, B: X% K
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    2 Q" Y' j5 L6 L; K+ _  R. s
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ; i) ?+ R6 c+ S- j5 |
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    , e+ Y  o+ |+ C) F  i. e
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    & y2 a# ~8 u; p# O! X) A  s6 T
31.                 }
    
32.             }
    , _& p6 |+ w3 z6 B- r; x
33.             catch (Exception ex)
    3 o: ~( S6 i! o
34.             { }
    ) P! J/ B4 W4 O( s2 @/ ?3 l
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

  e! b. w# V6 Z9 A, A

1. 
   , W' `2 ?/ ?. F/ I/ c
2. 
   
3. 
   
4. #region 数据去重
   ; Q3 z$ Z: n0 D) F/ K, J0 ^- z6 j6 H; m
5.         /// <summary>
   
6.         /// List<string>去重
     Z# e$ k9 C- c( X" Z) g
7.         /// </summary>
   
8.         /// <param name="list"></param>
   ( j8 F" |5 G) w2 H9 _3 c6 h7 c( I  b
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    0 b7 _6 ]! P2 J& _$ B
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    . Z$ d2 M2 p" _/ j
14.             foreach (string s in list)
    5 l$ e- d7 z' j: z* z& `
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    ; w  T4 S1 `5 P5 Y
19.                     list1.Add(s);
    
20.                 }
    1 L' z* ^  @  [3 t( m3 S
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    - u* r0 {+ D+ r* l1 b8 [
24.             return list1;
    5 }0 n# ?4 V* N5 a: m
25.         }
    
26.         #endregion

复制代码

0 s3 ^" n0 r6 L. l6 z" g- |
6 |/ J0 `, J& H  R' _( P7 h. ~

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
: Q. G$ l" t+ \- C% q! @6 S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
   ' g( U+ ]+ N% P8 m
2.         {
   & [" T4 V3 h5 ?
3.             string strWebData = "error";
   ) [  c3 `0 H! g  y7 }
4.             try
   5 x4 t7 D* D9 ~' h6 k$ t
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ) B( b8 O; X# k! ?
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
    ( l# K% L- ~  k
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)");
    * l" P0 U: `2 p: p8 a% o
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。
    3 y0 w& Y+ d  s) I, }
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    0 J1 I( R  s+ A; K/ W
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;
    3 r" S0 ?) G: L" j0 F
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);
    ; ?) l, I4 j6 q8 E+ V( q: J
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    1 b$ s( a- p' p/ ]& Q
22. 
    5 A0 D3 ^6 T' c- ~' f
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;
      y3 f4 e* {  U! D, g. S! L
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    ; M* [7 o& \' \) P' B/ o9 l/ P
28.                 if (charSet.Length > 0)
    - o0 _$ Y, `3 _0 Z
29.                 {
    9 y. u4 v7 s" w5 y0 [' `
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    ! W  ~2 [8 P3 I+ I6 p
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    " x1 f2 ^4 l; m& E
38.                 }
    6 \& M1 _' O+ v2 b
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    7 y3 \4 D" i( S( V; F% Z2 Q% g
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    ( r0 E( V  y, X4 m
43.             catch (Exception)
    ' H4 W$ y+ D. V( x# f
44.             {
    
45.                 strWebData = "error";
    : r: q( r# j0 {# ]4 I$ Z2 f8 o
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

. X: y: b( K8 h. x  r# `

PowcAncn

weishaneweishane