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
& B+ j: @$ z; f0 A比如：
0 C# Q" W0 S3 yhttp://a.com/b
http://a.com/bb.html
能自动去重复
9 }8 J1 L' {$ Q" L1 z; |( S

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   , e/ ]0 _: j% |7 G
4.             List<string> allHref = new List<string>();
   
5.             try
   ) n+ S, a3 `5 Z6 J
6.             {
   % ~3 E# r7 ~5 ?, D
7.                 string strhtml = soso.getHtml(url, "", true);
   5 ~" T5 ?9 z! m5 r, e; F' Z
8.                 if (strhtml != "error")
   . O5 f& R. E  v& m0 z+ z
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    & c) Q5 t$ o& W$ {2 v" y& b4 N
11.                     MatchCollection mc = reg.Matches(strhtml);
    " o/ r* T! h0 u" H5 z
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    : y3 j; l1 l- J$ f( J
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ( y/ f; j5 L/ P' R/ v3 Q7 j
16.                         string fullUrl = "";
    3 X4 H9 W1 [5 v3 j" J: q% W4 d2 I) s
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    ; `7 L' ^( w: y# {9 a+ f
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    ' X- }) K) K3 `3 m# t
20.                         }
    # e8 o" O& l/ S# H; V6 f: H
21.                         else
    3 L, t5 z7 C- V' v, o
22.                         {
    ; E6 D7 {& t) F& c! ]" x* j- H1 c
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    / u% u% H% m6 a- B$ F; C
25.                         allHref.Add(fullUrl);
    ) S  S2 n" S% _! v* g
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    * A  b0 v# R5 h/ o' J- |0 {; C8 h, h
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    ( o+ s2 k1 Z+ x  c
30.                     }
    " C1 g" M- C) c. C5 C2 v
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    / q9 `/ X( V2 A0 A$ S( s5 T
34.             { }
    , y1 f  _. S. c% i- Q, X4 u
35.             return allHref;
    * S, \/ r( j+ t
36.         }
    
37.         #endregion

复制代码

9 n* O5 N( M8 b( q# Y

1. 
   
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
     T% b. @! K; N# m
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   # B& Y4 M" L& c  Q. _
10.         public static List<string> getUnqueList(List<string> list)
    ' F* R- H- _9 I. _: W: x$ w
11.         {
    , q! ^! H/ B$ j) ]+ \% V! l+ x5 m) \
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    * b" l* H( i8 }& F7 G, O# ^. Y
14.             foreach (string s in list)
    
15.             {
    5 r1 @5 l8 }$ h4 S4 L! a  P) R( I
16.                 if (!hash.ContainsKey(s))
    / i/ l- a- }4 r1 f; Z- ^9 I+ X4 q
17.                 {
    8 ?; |# S, I: I" I& l
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    4 ~/ s5 A- l+ R
25.         }
    
26.         #endregion

复制代码

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
十分感谢！！！非常感谢！！

; N+ a% ^+ A& }8 d3 |缺少一个gethtml,用下面这个：
! V5 e$ b$ U5 W) [; U$ g' ~

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.         {
   : E! K5 |- ^7 d. y9 q+ s# V
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   " A5 V3 r' i0 R0 w0 V
7.                 // 需要注意的：
   ( B& f+ x: f$ {
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
    ! r+ `# n4 S0 m2 y. ^+ B/ d4 ]
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)");
    8 p& ^; A; a& w' R" o. `
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。
    2 \  c9 N9 ]: W' O2 M
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
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;
    9 o3 l% _/ _. G
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);
    0 o' M7 {2 B* u6 w6 L1 a
22. 
    . d7 B% u; S6 N# |! Y$ k
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 == "")
    . x0 G' i2 ]  p+ n' F/ ^' ]
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    0 b' g* ?+ I* L
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    & D. g( w  z0 d8 i; b$ j
32.                 if (UseUTF8CharSet)
    
33.                 {
    ; Q7 T# ~6 T9 `; G3 S( \# r
34.                     if (charSet == null || charSet.Length == 0)
    # z7 u, v: I7 F$ {
35.                     {
    # l+ y  R) e( a8 Z4 y( G
36.                         charSet = "utf-8";
    $ g3 z( H, ~( O5 I" X% P8 m) p+ s( _
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    . T9 M/ Z+ b, M& l' B
43.             catch (Exception)
    
44.             {
    & h4 }* Y$ e8 ~0 S5 W
45.                 strWebData = "error";
    " \+ u; {. b. _7 \! s$ j; k
46.             }
    
47. 
    : J% }9 p2 i: C9 Y. Z
48.             return strWebData;
    ( l. h+ s- W5 X, j4 {" K
49.         }

复制代码

" ^- D, y/ r8 C# R

PowcAncn

weishaneweishane