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
7 F  ?  ?( v5 ~  y比如：
/ y* p) C5 P1 t% Y5 l8 Vhttp://a.com/b
http://a.com/bb.html
" c1 _5 ^/ c2 W8 J1 F  B能自动去重复
$ `) [( H- a; w& a( N9 j, @

李小冲

1. #region 抓取全站链接
   * v. g- A: q* E7 C
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   
6.             {
   - }5 i0 n0 v! Z6 c7 X7 U( A5 R& j
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>");
    7 o! A! _  N( p) q  v/ g4 N
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    7 ^( i# i8 j" D$ R; {
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    2 n  w- l( P% D
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; f3 t" `4 o6 W
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    + H# z$ y  g4 e. Y+ _) j
20.                         }
    
21.                         else
    , O# N3 C9 z! V) Y* X* [
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    9 x* D8 W# _% G: D0 M" z  p& n
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    " A+ s6 {/ w' m( C  t
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    6 E5 }/ W5 Y- j; A3 H8 x0 }
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    4 }% G; C- Q/ L0 u
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    4 |* N1 g% m" c+ w9 k& g, {9 H
32.             }
    
33.             catch (Exception ex)
    ; q" t7 U( ?" k
34.             { }
    
35.             return allHref;
    2 K7 z1 `: @& `3 A& F" U
36.         }
    
37.         #endregion

复制代码

/ u- i& C3 I/ t+ l; F5 c( ^9 O9 [0 w

1. 
   ) k7 o, Z* E0 L! L0 g! Y% B
2. 
   / D$ Z* F3 q, _$ _, q& m
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   " x: h4 J6 A2 H" N; L& F7 F
7.         /// </summary>
   7 a% c6 @. U8 W; g. k/ a+ E
8.         /// <param name="list"></param>
   1 b* g. F% {) s( |) r: j& K6 k0 Y
9.         /// <returns></returns>
   3 N( d& _' v7 A$ ]# d/ W) F1 v# L
10.         public static List<string> getUnqueList(List<string> list)
    . P5 r4 y7 E) t9 ]' f( b% K( ^
11.         {
    4 H  k5 S, z* ]$ \6 X
12.             List<string> list1 = new List<string>();
    % Q  d; c$ s* ?5 l  |& _
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    ( {) w' d! ^( ^2 d
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    6 W# s1 ~6 r% M& a2 `
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    2 K5 S! I  s7 n) V3 J% e" v/ B9 w0 \
21.             }
    # d8 y9 N: V  C2 h  f: J
22.             hash.Clear();
    
23.             hash = null;
    : W: @% C4 r& f& |& }4 ~* `2 b
24.             return list1;
    2 X7 X5 H" n/ O# S( B  \* L
25.         }
    + q- V% ^% C9 H3 q! j. q: n
26.         #endregion

复制代码

$ H* V& _( q" Q2 A

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
6 A5 W7 k$ P  ~; P# J1 ^3 g, i十分感谢！！！非常感谢！！

- A$ ?+ F- E* w4 t' _+ B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
   3 [* s) X& h0 Y7 P" X
2.         {
   # K: g8 ]. G/ d# U
3.             string strWebData = "error";
   ( _! E: ~. }! H1 X9 M0 q8 H
4.             try
   2 j" ?* m: \6 N) P9 {& U
5.             {
   
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
   + n$ j: ]/ S# J. c: D6 I+ i( m
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);
    : D% b6 n4 C7 @1 y3 C# 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)");
    ; f0 A5 [6 w) k- Z, I& F
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    * n5 `: _& k1 X: p+ w- o3 r
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。
    8 U1 Y2 y3 A4 h9 H6 C6 n% M
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    ! J0 n5 r3 D1 @+ N# S
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    5 i/ ]! h: {9 N; D; \; s5 s
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
      j- ^. l( ~- w* O
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    + \6 T: |  {5 {# e4 N5 ?# H5 ?
26.                 if (charSet == null || charSet == "")
    1 R/ Y3 O  Q& S3 p" p0 ~- \5 T
27.                     charSet = webCharSet;
    7 b' J9 U8 m" O! q% u0 j, R3 E
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    1 a, I" x2 I/ Z& ]7 N4 G
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    " t- J( ^. X! a" ]0 B
34.                     if (charSet == null || charSet.Length == 0)
    # d9 R( H% a4 T, J+ `! h6 i
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    ! l" C3 i8 f* M5 [
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    / l1 D$ H0 y: y. w
43.             catch (Exception)
    5 f6 ?* Z" R5 v: S$ K
44.             {
    
45.                 strWebData = "error";
    
46.             }
    % f( P5 J, A) w/ v7 b! k
47. 
    
48.             return strWebData;
    
49.         }

复制代码

1 D1 v9 y9 Q. z- K& v
1 F  h1 c, }  r2 Q

PowcAncn

weishaneweishane