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
) x! t( C% s8 s4 {比如：
5 w0 f) F& v: E# {2 B6 Jhttp://a.com/b
http://a.com/bb.html
3 p2 ^( T8 T  \能自动去重复
7 c; i, \: j( l  {7 S0 Q8 F

李小冲

1. #region 抓取全站链接
   . p& e0 A/ l; P3 |& n& {7 J. ?  |
2.         public static List<string> GetAllHref(string url)
   * L7 F; D4 b- C0 d. m9 j
3.         {
     V  u' }. \8 B: I
4.             List<string> allHref = new List<string>();
   0 d, t6 C- z4 L6 Y0 Y% l1 |: G
5.             try
   / }' r( J. H( F1 G
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   ; Q) l6 U& v# }, ]6 W# y8 l
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
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);
      y8 g* Q! n' O' z! ~3 X+ n
16.                         string fullUrl = "";
    / m0 s8 e- `! J2 X8 `; Z" {2 n) r
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ( C8 i+ f) x& b  d* s1 g* p
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    # q3 |: b% w7 o9 r7 N0 I/ V
20.                         }
    ; ?; F. v% c5 u' [
21.                         else
    ) v2 j% N& h! F, X' `' u
22.                         {
    8 b: X1 I6 _0 u% I& N, t  i9 `1 m# s8 r
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    1 J7 Z8 {( w/ a$ m5 z+ Y; H$ N
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);
    
29.                         //Console.WriteLine("…………………………………………");
    : L6 m" E+ o. Y" t9 |' J
30.                     }
    9 O5 }8 z) ]+ g. _' K7 F# U
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    2 o8 u( M0 k6 q& _8 }1 V; X' X* g6 E
34.             { }
    2 |( S5 g6 P) a! f( H0 ]% V
35.             return allHref;
    4 l0 u. {6 O5 r
36.         }
    1 V* H* c: `8 V: [0 k6 \
37.         #endregion

复制代码

/ D4 ^. b6 z! B8 A1 b, o

1. 
   
2. 
   
3. 
   6 Y: \5 |& P+ ~; @+ R* i
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   8 `4 O* f$ j% s0 T5 Z0 R
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    - I. H4 D+ C8 E+ Z7 t1 p
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    , h& k9 F% j( `: W5 a
15.             {
    8 ^! y' D4 W3 }4 [  w
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    & ~# l; E% f( v% r: d( V8 d
18.                     hash.Add(s, s);
    4 y* Q8 l% Z. X$ T& P% E
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    # Q( }/ P( N' ]8 c  j2 a* t
23.             hash = null;
    
24.             return list1;
    8 `# ]( X+ z* F; U+ ^3 n) ~
25.         }
      A- C8 Q' m' C
26.         #endregion

复制代码

) D% w8 I( [. W* P5 t% I

guys

李小冲 发表于 2016-2-26 16:17

7 D3 J$ E" P: |* l5 s( X十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
  S3 ^8 o9 L+ L* M. D十分感谢！！！非常感谢！！

0 R- k% J8 D* L- l缺少一个gethtml,用下面这个：
; l* D9 O+ j' L7 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
   
2.         {
   
3.             string strWebData = "error";
   # P& ~5 k2 M* C/ a
4.             try
   % V  f- Z+ o( O; k
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   ! `8 M8 s' U1 b- ~1 l
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
     \5 }0 R& K3 k& E
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)");
    + m. n; ^0 z, [) C8 G/ I8 X- U- O* u
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    7 G  O% }4 a! u  a5 v
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 A0 g" c9 j9 w4 Q3 m
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    0 R' f6 k* G7 j: L% _
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    " g5 z- ~0 ]7 c3 C
18.                 //myWebClient.Credentials = mycred;
    ) b; x* g  X0 P' D; s0 b4 `6 p1 o
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）
    8 _9 |* Y% O0 `
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    , T! I) r0 p/ \* m1 [, r, Y  |
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ; [  V0 n9 c0 ~9 D- F  e& [% g' T. F6 r  o
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;
    
26.                 if (charSet == null || charSet == "")
    & P4 A- O2 q+ C! A
27.                     charSet = webCharSet;
    # Y3 z6 F( w9 Q6 q* T: `& p# z
28.                 if (charSet.Length > 0)
    / P1 l# m7 y5 h4 O- ~  F
29.                 {
    2 p$ Q& ~; }% M6 d1 `$ D1 u8 ~
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    + `, u8 |1 r- p5 A2 m+ A
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    : z: x# B& n1 i3 t
37.                     }
    ) N5 ^3 B+ |2 p: d7 b: Q
38.                 }
    0 B0 J) F1 ]. @9 U% L2 M4 Y
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    0 n4 j5 P- X( l6 z1 W, X
42.             }
    : Y6 K/ A/ L2 w9 o( P8 x4 [& q
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    ( Y8 X* @6 c* a$ u' }2 ~# t9 ~& H1 |
46.             }
    " C5 J# ~& L5 b: _& O1 W. N
47. 
    9 c5 k+ J# }, b/ s7 `: x
48.             return strWebData;
    
49.         }

复制代码

& ?2 B! g1 {3 {7 P
( F. n6 L( d3 z3 a$ J; a) x

PowcAncn

weishaneweishane