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
/ e+ e8 f/ F; ~/ |* O( F比如：
http://a.com/b
$ T4 f8 r) \/ O, D3 Xhttp://a.com/bb.html
5 B/ T5 D- H' c6 Y能自动去重复
7 Z; \+ c$ G, J' l& ~$ w

李小冲

1. #region 抓取全站链接
   * f3 A* y4 _& y* ?0 n
2.         public static List<string> GetAllHref(string url)
   4 I3 a% |0 J+ K$ P7 Q& |2 ^* U
3.         {
   ) K2 a9 [& F3 b7 V" z
4.             List<string> allHref = new List<string>();
   
5.             try
   * x* f$ I" M+ M2 Y- {- l' K2 W6 \7 {
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   % a3 z, j4 h3 |2 T: a, K' Z7 N" C, r! R7 d
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)
    5 w! t: @. G- g9 Q/ g
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    8 R8 G" L+ K# E# u- O& p9 P
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    5 q" t' {: T, T8 B* V; f" z3 L: @
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    7 G; B: ~7 {) Q  M: P% N# I, Z2 A
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
      w" p( q, F, t/ W' `, ]' a
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    1 {- S( R2 J) u' i+ g8 U
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ' S7 r5 G9 h$ X5 F
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    * F* q5 ?7 ^8 N5 ]2 a- |. g
29.                         //Console.WriteLine("…………………………………………");
      a2 P' a( M5 V
30.                     }
    
31.                 }
    " s3 d) |. I/ w, m+ A$ h# a! V( S
32.             }
    
33.             catch (Exception ex)
    : A1 B+ G3 s8 T& F/ A5 |; x
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

1. 
   : ]9 Z1 Q# w% i( a% V
2. 
   
3. 
   
4. #region 数据去重
   3 N. h0 Z5 j& U) P' w# D. u+ T
5.         /// <summary>
   
6.         /// List<string>去重
   & o2 \  z# V8 R0 Y) x
7.         /// </summary>
   
8.         /// <param name="list"></param>
   , c+ q$ t/ z3 P8 P2 m( B- P+ _
9.         /// <returns></returns>
   # s% D' Q* r1 Q& K# u" B2 d" c
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    1 @5 Y8 V; P4 S. \
13.             Hashtable hash = new Hashtable();
    7 o8 Y! Z+ |4 o4 ?; B, c
14.             foreach (string s in list)
    $ b0 J8 O. e; t
15.             {
    ( F! z' H. b/ W) X0 ]* J
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    ; f* d; n+ P, G3 |
19.                     list1.Add(s);
    2 U" A5 a5 I8 J
20.                 }
    ' x! M& b* q) n& w6 t7 \
21.             }
    2 r0 I( n" Z- l
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    2 E0 X7 n# G% G* S7 M' [1 r- ^
25.         }
    
26.         #endregion

复制代码

7 {1 Z8 d/ `! P' s

guys

李小冲 发表于 2016-2-26 16:17

$ D# s* W' \! j  {十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
; d% n) n! x6 x, U& s5 p( i# K十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
+ |, R, J0 L; {# t9 p) H2 e

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";
   
4.             try
   
5.             {
   1 C. x( V1 k" S$ u8 a8 F
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ! O: |! O0 m  t$ W! w3 y- G
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
   
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   8 `- {  T6 A1 c, X
10.                 // webclient.Headers.Add("Cookie", cookie);
    & @( D/ T6 ]- Y6 V
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    " U2 g- f5 n: M
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)");
    + O; u2 U3 e6 |
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    
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 g5 A. c7 P7 b$ z2 b/ M5 d
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    + d5 x; D; X1 Y. J
16.                 //如果服务器要验证用户名,密码
    $ ?1 ~( J8 x! ?: i, g
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    2 x% V3 v3 j* H& R. t
18.                 //myWebClient.Credentials = mycred;
      S2 _5 T; }6 M. z; u8 K
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）
    0 s# z5 D: e# H- ?, }1 M* L
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    . `0 A, P) j1 e
22. 
    
23.                 //获取网页字符编码描述信息
    % N8 ?* e: f1 K2 V
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    ' X% \# Q0 `0 y3 W. A; P5 `
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    & \6 r- P' P6 S# T  P/ y  ^
32.                 if (UseUTF8CharSet)
    . f9 I4 D7 d: w' j$ v* w
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    - D% y( I; P5 h2 J& T
35.                     {
    * F5 X0 O4 U, ~3 ^  E- w
36.                         charSet = "utf-8";
    1 `6 D" K: b- u3 |& Z, }7 m% u* J
37.                     }
    6 b% |" h5 M3 Z3 U, P# ?
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    8 m- p9 D0 S% k; s6 Z0 `
41. 
    6 d$ C0 x3 c( U) }
42.             }
    
43.             catch (Exception)
    0 p: V3 U& U8 [( N6 {, \& Y3 v* ?
44.             {
    
45.                 strWebData = "error";
    ( P9 `. w' F; \
46.             }
    8 h' b0 A( [( F: a/ L  Q
47. 
    ! @1 F* t- _* l( y6 q- S2 A+ P+ |9 Q3 s
48.             return strWebData;
    
49.         }

复制代码

2 j: ^  G. Z, a5 H0 z
$ H5 N- J( _6 I

PowcAncn

weishaneweishane