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
5 G5 z, [( s' F. i9 ]/ I$ v比如：
http://a.com/b
! V+ W8 E# K/ q+ i+ P+ nhttp://a.com/bb.html
能自动去重复
, C$ u. v& K: r

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   % S; }7 i, @2 ^" ~7 W3 W4 \
4.             List<string> allHref = new List<string>();
   
5.             try
   6 F% Y. b/ M" Q$ n! e3 {
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   . P2 x; G/ d% R' i# `" \. W) ^4 j4 i
9.                 {
   . Q$ `0 d7 Y8 S! A
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    2 F: R+ z/ r+ T9 R
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ' l3 B+ X; Q- _
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    + \( N. K$ G# D( [
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    7 i$ T5 P) M. d, C! q
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    6 ^& J1 K1 m/ T( a  e7 i& F  `. J1 Q
29.                         //Console.WriteLine("…………………………………………");
    ' a# ]- G$ j2 q& l2 \
30.                     }
    $ X  W7 U1 d: ?8 b- ?+ c
31.                 }
    
32.             }
      l( ?- l- O2 W, z0 {* }
33.             catch (Exception ex)
    0 V0 `8 z6 l' M7 ]6 a8 G
34.             { }
    0 Y' Q( f5 P* [& w
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

. O$ j' a) h" j+ |3 T2 S
6 U' ?: P# ]3 j- d

1. 
   9 f  J6 ?. l- S3 q6 e
2. 
   
3. 
   % l" P$ W: \7 B
4. #region 数据去重
   7 P* u2 Z# d, }  Q$ L+ U
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   6 Q. C/ Q) d/ q6 b; [4 B
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   3 K! g+ Q2 K  D. x8 c
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    ' k' ]8 G1 I. k4 p) f( B8 D( k- w% [
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    # Q% t7 k2 H. Q2 p, A
21.             }
    5 _) C1 o9 g! M; o4 J" N9 w% m
22.             hash.Clear();
    . w9 n  W  A/ a% O+ {: j% t
23.             hash = null;
    + O* b  E0 m  B3 P% Z
24.             return list1;
    1 ^: u4 _8 X6 x2 Y! }
25.         }
    ' `, N- }) H; o+ x
26.         #endregion

复制代码

4 n$ r8 [: l% W# n" C

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 x: J$ \3 a& H0 J/ Y十分感谢！！！非常感谢！！

) e6 z+ |" [" g缺少一个gethtml,用下面这个：
% m" C3 a9 ~# @# L3 _: N. \

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
   1 {" t5 _+ W2 `' S  f/ w1 d
2.         {
   
3.             string strWebData = "error";
   4 e7 I  o& Z$ f  e
4.             try
   
5.             {
   $ z: U! d! W6 I
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   1 ?. q# L4 s8 L
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
   ( j  Z! M% O0 ]
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   ! B4 r. Q  ?: R( X) N( e- V
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
    
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)");
    3 u  s' c! y1 M: f" H8 t# l
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ; f; I! e% L5 S; y8 j5 J
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;
    * _, g; w: @( ?# ?- r# e% e
16.                 //如果服务器要验证用户名,密码
    % c- ?' _4 o  r% C* R" T. y) i) Z7 b
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);
    
22. 
    . P+ G( k/ ?+ l2 B* M
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);
    . t4 V+ I0 i/ }! p2 w0 a' e5 }
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ! M/ v; ^/ v% Z3 @2 K+ O  A
26.                 if (charSet == null || charSet == "")
    : J& l) B0 _( X+ W% X' H
27.                     charSet = webCharSet;
    9 n+ P! R3 G  S
28.                 if (charSet.Length > 0)
    
29.                 {
    ! }7 z9 i' j+ d
30.                     charSet = charSet.Replace(""", "");
    ; P* b' d4 u: a* a8 X5 q
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    / [1 i1 [  T! ], a+ ]& s
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    & g) W5 H/ u- M8 j
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    & |) c% K$ p+ ^' G9 t% `/ W/ O
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    * o/ ?) W6 v6 ]
42.             }
    
43.             catch (Exception)
      k& ~  {6 o- d* c! l. I. f; B
44.             {
    
45.                 strWebData = "error";
    
46.             }
    2 I+ W6 X9 n; |5 M
47. 
    
48.             return strWebData;
    ' ]/ r3 @2 I' w, b9 G0 A3 C7 `
49.         }

复制代码

1 G- w' ~6 D: E8 F

PowcAncn

weishaneweishane