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
比如：
! f& c3 v/ J$ c) L' u4 ?http://a.com/b
http://a.com/bb.html
  i' a' L0 T3 l  i1 a- U能自动去重复
$ ^. a( j# @. @* T' d6 \, R

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   * ?5 X4 e9 S6 ]1 v, d( @- x4 r
4.             List<string> allHref = new List<string>();
   * Y6 d/ p+ m( t( q4 m
5.             try
   ; }, R& L: a; L# [6 u5 N
6.             {
   7 ~) i9 c+ I" c9 V8 X9 B% Y+ V% C
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   7 \/ a8 T& p/ }, K
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    0 I* G! W" n3 k" h6 T; x
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    5 I& i& ?; z+ S$ k8 N
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    6 F+ b3 h" L# I' P% E
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    ( g' g+ O2 N% Y: ?
23.                             fullUrl = thisUri.ToString();
    # R% \; R0 |) Q( v) r
24.                         }
    6 [2 Q$ L8 I9 {. `: t8 A
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    9 r  g; x) Q) {5 R
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ) l& h' Y) e( v/ i( k6 S3 W
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    % ^* c! o2 U& H) H' B% e) E" Z; \+ a: C
34.             { }
    + {* Y/ P/ A0 @- V
35.             return allHref;
    - c7 E% l  {. H( V
36.         }
    
37.         #endregion

复制代码

/ h* Q; J3 x9 q9 e
* q! D" l' n  Z2 d

1. 
   + w3 H% k" u7 y5 K. I& c
2. 
   ! [1 P+ F2 d0 @: c2 |* f9 I0 A
3. 
   $ P) @8 M' C. }2 b; n* O: s( U
4. #region 数据去重
   ' u- B( g, [9 Y) p9 k, I- @
5.         /// <summary>
   
6.         /// List<string>去重
   ; Z" d4 a* u" J5 f( G
7.         /// </summary>
   
8.         /// <param name="list"></param>
   7 P' ^3 b5 Y( Y  ]8 t4 _0 r) }) }
9.         /// <returns></returns>
   0 ^6 _* d' F" l
10.         public static List<string> getUnqueList(List<string> list)
    # Q' f7 q5 {0 e5 Y/ h. R4 N
11.         {
    & `  C8 {4 c) u& B; }- o
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    * {& R3 Q: P  c6 J
14.             foreach (string s in list)
    , N: |! R/ E, Y  V% m1 P: Q
15.             {
    
16.                 if (!hash.ContainsKey(s))
    ( m* e5 O. q  ^' T
17.                 {
    
18.                     hash.Add(s, s);
    5 b: j- N7 _  ?0 B
19.                     list1.Add(s);
      Y$ }0 h2 k: O- Y  _' e/ e
20.                 }
    
21.             }
    
22.             hash.Clear();
    - Q: ~4 M6 S4 h0 Q0 Y
23.             hash = null;
    # d8 l: k. \2 J
24.             return list1;
    ; v3 n4 a" J; k
25.         }
    + E" o& \& b# N4 M' e' j
26.         #endregion

复制代码

# l* V4 Z7 t7 r3 t: b* P
3 {7 ?  u) n" G

guys

李小冲 发表于 2016-2-26 16:17

: K5 m6 {$ F6 B0 a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！！

- {/ |7 x. V. e+ y1 s3 P% W缺少一个gethtml,用下面这个：
( y6 H9 b( h/ J4 Q  n7 a3 ^% l

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
   ( B: ?$ b' z3 M( o8 o# i
2.         {
   
3.             string strWebData = "error";
   ! h/ ?, T8 x- s% z* B! e3 V
4.             try
   % D6 `' z2 t" ?9 |: M
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
   , Z( x1 M4 k. C
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
    
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)");
    ! @& v( A& l  _. T% [9 @1 q" C0 W
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    * y% h8 X! W, f5 o% G# v) g4 q
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。
    0 S7 H) K3 ~. u
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    $ j' U- }  w1 {: a. Z9 U) ]1 I
16.                 //如果服务器要验证用户名,密码
    % ^/ V' ~5 V8 M+ V7 M
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ! f+ ?9 g; M; D
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）
    ; Y: W7 W! l; M% `
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    + G. k4 ?- E. G9 B. c
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ( ]$ m  |" C- J5 i& 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);
    ( x* y) o. e9 R
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    7 Q* s% }6 f9 y/ V5 {% s
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    0 s' J& c5 W2 L; O1 R
31.                 }
    7 a& n( M! i# J* M
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    4 ~  K8 w2 L- O! k1 I
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    5 k& k& P) ?, j! M
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    & E6 Z9 C% @% h4 |7 L! M8 u$ i7 ?: t
41. 
    - n- [2 g0 p7 K3 ?  d2 t
42.             }
    8 |$ x* g7 I$ ^: h( N: V8 ^' [
43.             catch (Exception)
    ' k( o7 [( z  z% u% K+ }
44.             {
    ! `( `: {& j: O9 d9 u
45.                 strWebData = "error";
    % D% ^  [: [) Q
46.             }
    9 E; v7 l* h. L  |" q
47. 
    
48.             return strWebData;
    
49.         }

复制代码

; m/ ~  @$ O) |- E! k: A/ x

PowcAncn

weishaneweishane