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
, g3 s( b" u: o' n& e比如：
$ i. O& u8 F- g8 X( d; }. k, G& |http://a.com/b
7 @2 R2 R1 u& j4 b& `http://a.com/bb.html
- A6 H) Z, [) S' Y- Y9 E- O能自动去重复

李小冲

1. #region 抓取全站链接
   ! l- F) p4 _8 o6 d3 g
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   1 @- A( W; o2 m4 \; Q1 J
5.             try
   7 d1 t, n. R! e" w$ W! C) `6 `  v; g
6.             {
   , ^, q. ?! ?* K
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   & ^$ `  S7 ]3 ^
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ; E: z3 W, L; M( g! [) h" Y
12.                     foreach (Match m in mc)
    
13.                     {
    5 g9 z$ O( G' `$ d, @  m8 J
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
      M+ U* ?0 x: F& D! Q( ?
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    ! k8 I1 o- q6 f7 O
19.                             fullUrl = m.Groups["url"].Value;
    ) J! u& J4 q6 V. Q2 Q) t
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    5 N$ |  X4 H+ H' ~# t& q( F; K
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    * g  B! K9 \$ k9 N% v* |  c
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    4 R& T* o; K7 y: t% ?, g
30.                     }
    
31.                 }
    ! ]; P) f/ W  C) `3 i
32.             }
    
33.             catch (Exception ex)
    ' }0 {, ]* y3 L3 Z, S
34.             { }
    
35.             return allHref;
    + D! z9 {6 J: z9 K1 `
36.         }
    6 b0 I, }8 {: W7 e& }) V0 Y
37.         #endregion

复制代码

/ B( w/ N! K( \" j0 c2 @8 p

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   ) @8 d5 }( l  B& M) q
6.         /// List<string>去重
   $ T' U# e4 T2 G" n) C
7.         /// </summary>
   6 ?( m4 q7 L! |3 j# r% I
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    8 o. [" }/ B7 p' Z: f) i" y
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    / r$ s; e& h9 }& ]9 X* m" |
16.                 if (!hash.ContainsKey(s))
    - Z3 x; I+ s% W8 \) J: E: g" j
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    / V$ v* [7 o; I; O4 U6 C4 e
20.                 }
    
21.             }
    * k2 |! y. j, ]; i
22.             hash.Clear();
    ) ?1 y- j1 u9 U. ~! z
23.             hash = null;
    / R5 O! V% j4 p  x: ]9 b) q) h
24.             return list1;
    
25.         }
    8 [" l; p( U+ @  }& o/ F+ |
26.         #endregion

复制代码

0 C. Y1 x7 Y8 ?) ^2 y

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
& Z; D3 h8 C/ `" _8 Q1 o十分感谢！！！非常感谢！！

# E5 R' s$ 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
   ( E/ m. m' O* H( |; p
2.         {
   
3.             string strWebData = "error";
   4 K6 {! q5 @3 ?& R9 t8 }- X) z; _8 |
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   - b1 \( e. i. |8 \  \; W5 f9 ~$ e3 }
7.                 // 需要注意的：
   4 L5 O4 i1 @+ z: O
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
   0 \$ F+ `2 A2 G+ R) \* ?9 }: e" H# ~
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
    2 i6 S8 C4 T; h/ S2 v
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)");
    7 u7 z% R- y# [5 e
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。
    ' k- v- T- ?; R7 L
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    6 V8 X9 ~8 S' p% ^+ t7 f9 l) k
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    9 }9 f+ B; \, J
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);
    & H# P* S$ o' |( o4 {) K
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    9 w7 T' @9 e0 {: Q( Z
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);
    ! t/ b% D' P8 |" D. D
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    ; u& Z6 Q4 ?1 X; n' b$ e( }
29.                 {
    7 a; I4 w5 A9 K. {
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    4 Y  t. m4 |7 P) B* E$ M- n
33.                 {
    # A; J% R; A) d) |
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    3 J5 P9 K. P) |/ e$ w* m1 M" h
36.                         charSet = "utf-8";
    4 i& t7 _( ~! X
37.                     }
    0 y& t3 R/ M7 u# l; c1 \' a" b
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    5 s8 K5 x; v( d- q( Q
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    9 M& M* I3 E" T, W6 g5 |! b% W/ T
42.             }
    5 [- I5 z5 T$ y% ?) J
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    # w  a+ ]/ N( G6 o; I2 G0 |6 [
46.             }
    & A; }0 |. ?" s0 x8 O4 \/ U8 {
47. 
    
48.             return strWebData;
    
49.         }

复制代码

3 L" i9 z9 F5 |; \4 X* H
2 A  T( B8 {. M# }3 _' G$ _2 _

PowcAncn

weishaneweishane