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
; i  D9 b4 G( d$ U" {比如：
! }# K" K# |  y8 `7 l7 zhttp://a.com/b
http://a.com/bb.html
9 r  e3 x* p  X& {% M8 S9 w# B能自动去重复

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   ! ?; a* e5 K% e! ^% l
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   4 y" N5 |- D( z! ?
8.                 if (strhtml != "error")
   9 y1 G3 l0 h: c& H1 ~$ Z% g
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    . P( }( }8 o  Y# J
12.                     foreach (Match m in mc)
    
13.                     {
    ; W& ^! f3 W- Z! r. W  o
14.                         Uri uri = new Uri(url);
    6 c0 }; m! T! Z1 z: [8 O9 v0 w
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    2 T; }. ~+ N7 m( g# e
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    5 c' R1 T4 h# J  F- {6 l
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    1 n3 V7 v  Z  z$ y' V
20.                         }
    - m3 c% o* h& O  }
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    9 l1 p$ U3 t6 q# C3 Z& s* L
25.                         allHref.Add(fullUrl);
    " e! i* Z" N& F4 H' M
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    7 {% ~2 l9 L  n0 N
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    9 i8 p0 y. \) J- h" N) K6 G) s
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ! N  n+ c. U" W  H
29.                         //Console.WriteLine("…………………………………………");
    / q! N! ^, C. O% L  `9 b' O* L
30.                     }
    
31.                 }
    
32.             }
    & |  m5 W0 J; b  B
33.             catch (Exception ex)
    $ s' ^' ^, E8 W% Q
34.             { }
    
35.             return allHref;
    3 |( L( F' \5 ?! l( B
36.         }
    
37.         #endregion

复制代码

1. 
     v, M! ]/ ?, j8 Q, @
2. 
   
3. 
   
4. #region 数据去重
   2 y& Z3 y( P% b$ j  {# P0 f5 y
5.         /// <summary>
   1 \: b3 `* l, n# v+ E$ g
6.         /// List<string>去重
   7 ^3 `; l% ^- j0 B$ ~* y* h
7.         /// </summary>
     u6 {( V, `6 ~
8.         /// <param name="list"></param>
   : ~& T8 G  Z. r, \5 X8 z! b
9.         /// <returns></returns>
   : D9 m1 @- x% R: N3 f
10.         public static List<string> getUnqueList(List<string> list)
    4 g) e9 t! s% L
11.         {
    ( a' W: w1 I7 F/ a7 \
12.             List<string> list1 = new List<string>();
    + \" D1 O5 E# z
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    7 \! a: Y$ l" d+ k
15.             {
    
16.                 if (!hash.ContainsKey(s))
    ; F$ x0 g7 m1 c
17.                 {
    , z0 b: |+ b/ m6 [  ]' }
18.                     hash.Add(s, s);
    " S4 f0 P/ _/ ^: J. i
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    " ~2 @- Y6 I9 t9 w7 _  ^
22.             hash.Clear();
    ( O' z# y. |# X8 M6 i3 n( R
23.             hash = null;
    
24.             return list1;
    $ g7 ~- @; K* D2 x2 p4 t& Y
25.         }
    2 ^: y8 [2 F6 w% @9 q, Z) L1 G( p# T
26.         #endregion

复制代码

$ K) f: w$ R: V. p) b* w& T

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！！

' i, v! G4 a1 ^  g6 _8 f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
   
2.         {
   
3.             string strWebData = "error";
   
4.             try
   ! O8 |7 s3 I: ]8 L. c* l! v
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ( H: B$ `1 r. k
7.                 // 需要注意的：
   # a3 S1 i9 s% I) r& p: J5 e
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
   5 ^$ O0 r0 L7 N+ t) a
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);
    * U/ \4 }2 N$ p! c0 x* ]! a1 e
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ( l" V- j6 p6 }( |' C8 N
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)");
    9 \: D& p8 R0 P1 i. F. `  l
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
      y+ Z& \6 B( I3 D6 f
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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    6 J  ~" b4 Z3 q; k
16.                 //如果服务器要验证用户名,密码
    9 F9 _" p# }* l
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
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）
    . F1 A( s3 B7 h* {$ M
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    ; T) [6 d+ M. B9 E3 {6 B1 U
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    9 N. {5 i) R% {& M9 n% y
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);
    ( B8 q2 G) ^1 b; H) ~! X: U4 \
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    9 s) y' X" N) C, j  F
28.                 if (charSet.Length > 0)
    
29.                 {
    2 X% T" m1 e; b9 X: l& I3 I, x
30.                     charSet = charSet.Replace(""", "");
    * B4 c. a' P' l5 x. B  V  j) Z! I
31.                 }
    " X7 D% T0 W8 v1 a9 ?
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    , o' m# Y% n1 \9 c- S- h7 `
36.                         charSet = "utf-8";
    & _2 {9 L. L- \' n5 @) Q
37.                     }
    
38.                 }
    8 [" v# k7 P1 M' j4 S
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    , |- ^! T0 X0 W' f4 q( o
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    # M# v8 n( f! d1 O0 q
43.             catch (Exception)
    
44.             {
      K5 v$ a) a% C' j, T
45.                 strWebData = "error";
    
46.             }
    9 }6 O1 p2 x, J9 k! [  _, l" t
47. 
    
48.             return strWebData;
      Q* W3 K0 z; U# q, J
49.         }

复制代码

; I) U# ]( {/ h: z& Q
3 I, n2 _" U( v" t' q0 ?* t6 w

PowcAncn

weishaneweishane