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
! Y# m1 q6 ~; r6 [. E% ~比如：
http://a.com/b
0 L' Z, }4 v1 W1 Q' p: @- I5 vhttp://a.com/bb.html
能自动去重复
- @  i. v) q5 N% m5 S& i# z: u

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   # E. _& @3 o$ C$ C3 M( Y$ A
3.         {
   
4.             List<string> allHref = new List<string>();
   + U- \- ?6 p: t
5.             try
   + v4 Z' ]  Q* ~' G$ T
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   ) N/ e' u: z9 B% d) s: p4 u
9.                 {
   ; {) w$ ~3 n: ]0 H% [8 ]; \
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    + `+ Z, d8 s$ ?! ?+ `
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    + j0 d* G0 w* O& ^" P8 t, g
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    + R0 \, n& j/ ?3 E7 Q9 v  g
16.                         string fullUrl = "";
    % s8 E% }2 B- d0 x( f+ g3 L
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    ( u; ~6 n; j8 j9 t" E7 f5 u3 U
20.                         }
    
21.                         else
    
22.                         {
    / H: F' R2 [- j+ z$ H& P& B( y
23.                             fullUrl = thisUri.ToString();
    + ^% b% U( H$ V4 h9 {$ L  _
24.                         }
    ; @# q( {. Q2 g- I  _- _
25.                         allHref.Add(fullUrl);
    5 X* t8 B! F6 r! k
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("…………………………………………");
    
30.                     }
    . S3 |) R6 b" W5 A' E3 r  L% v
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    . b: x; g& @( d
36.         }
    & F0 u# V- b& d6 B
37.         #endregion

复制代码

1. 
   
2. 
   ! r) [* E' F4 b5 W5 K& i. L$ a
3. 
   
4. #region 数据去重
   # b/ A0 q" T0 w/ Y6 }0 q8 M- |* w- ?
5.         /// <summary>
   
6.         /// List<string>去重
   $ a# m$ c" M* ?: ]% b
7.         /// </summary>
   " `5 `  [! |; E  S0 a* Q) i/ q
8.         /// <param name="list"></param>
   $ O9 o, s8 h& s
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    * r8 M3 j8 V% _+ h. _/ F' a2 `1 y
12.             List<string> list1 = new List<string>();
    $ C: o( {. N* a, o
13.             Hashtable hash = new Hashtable();
    / h9 Y, e: U. _0 A! p/ R
14.             foreach (string s in list)
    : u  |  i9 ~  E2 l9 l3 s
15.             {
    
16.                 if (!hash.ContainsKey(s))
    " y' `% }$ k+ K5 e& `9 m$ q5 ]& P% Z6 F
17.                 {
    $ z: h: {6 l- k5 ]! y: o
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    3 v2 B- u, V7 l; V- X6 F
23.             hash = null;
    
24.             return list1;
    
25.         }
    % Y4 y9 D  N, Z( m
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

0 i" C/ Q3 _  V' G十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
/ l. ^/ }$ w) v4 `十分感谢！！！非常感谢！！

$ G1 Q( j+ `9 p4 d5 l& a) z; W- {% ^  X缺少一个gethtml,用下面这个：
7 H: G" M: t. V- P0 W

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
   : a  |" O" Q6 `7 H% [. Y- }9 t
2.         {
   6 W2 U- ~- E/ O6 v$ S
3.             string strWebData = "error";
   3 b  v3 Y' T7 Y
4.             try
   
5.             {
   7 w. ~& G) d5 T" c0 Y  |/ K
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   * u# r4 Q# V/ p% u* ]
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 e  J5 V7 N1 Y& ~
10.                 // webclient.Headers.Add("Cookie", cookie);
    9 `+ H4 R3 V, O# V. T
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)");
    9 ~9 c/ q0 F1 a0 y: H( r' {4 d$ t
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    7 A2 j# u+ A- r) V( F( A) z
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。
    * F: y- H0 x5 `2 R
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    6 l* B  z' f" v( m0 A
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    : B: K& A. l+ L. t" k! C  v
18.                 //myWebClient.Credentials = mycred;
    4 i0 ^! e( T! O8 T& ^) ^
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）
    5 g' D- C$ t+ E9 U: y7 l7 N" ~
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    - G* b2 }! z9 w3 v" `0 E
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    1 t( R# B# ^3 h; X
22. 
    6 G# _: t3 h6 I, s
23.                 //获取网页字符编码描述信息
    ! O4 s0 J# ?% r
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    * s+ Y$ Q" R. U% J  V9 A/ W
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    ; e' m0 S  |& U
28.                 if (charSet.Length > 0)
      G1 e* r% U" V2 l8 Z' d
29.                 {
    / H  ]- Q$ _  i/ ^
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    ) b& h0 Y8 z. f1 \" @" d
32.                 if (UseUTF8CharSet)
    
33.                 {
    4 m/ h/ a0 h! B( m  z5 }
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    ' J1 L/ ~+ D1 g2 x0 p8 j! I
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    9 P$ P  Y8 z( {8 l1 q5 e& W% A
41. 
    
42.             }
    6 J& l5 {* h  B2 M
43.             catch (Exception)
    
44.             {
    $ r4 e  }; h: R7 D- r2 ?5 [
45.                 strWebData = "error";
      c4 v5 C9 b" Q( P; D% y
46.             }
    
47. 
    ) Q) d* x: g' P4 [* S
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane