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
: u: @% G, X0 H比如：
1 O& p8 B$ \4 z0 R, L/ L; Ehttp://a.com/b
http://a.com/bb.html
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.         {
     w" s5 ?! B2 j+ L
4.             List<string> allHref = new List<string>();
   * G0 Y# g1 L1 x2 z
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   $ \( N+ L8 ]0 C$ @) P
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    : ?) Z- O- [% {/ o( H! c! S
12.                     foreach (Match m in mc)
    9 d' b0 j! D% E, M$ U& Q. W
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    . _0 Q  w/ F9 [9 x1 t
19.                             fullUrl = m.Groups["url"].Value;
    5 ?5 D5 b3 ?. F) T
20.                         }
    2 A- u5 d, G& W6 f
21.                         else
    
22.                         {
    " Y$ |8 E( C, `8 U
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    * m& v% F) m% o) m9 k; z& F) D* W. O
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    + B" \' a' h- G' G
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    : c. j1 q, r6 g7 q
34.             { }
    3 z& D7 z  ]# [. T' b# z
35.             return allHref;
    % K7 P9 P4 W9 P3 W5 c) L
36.         }
    
37.         #endregion

复制代码

/ `, r* p* @1 r5 l7 \7 `  y' t" T; {
9 l" u! I( c) B+ }* ^5 N

1. 
   ' p% t/ q" B9 ?* |. q: r
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   $ u7 V1 ^8 b; K& L
8.         /// <param name="list"></param>
   1 Y2 C2 Q- Z* p- O
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    ' X  O& X. z. a- q, E
11.         {
    
12.             List<string> list1 = new List<string>();
      e* P2 y; G' T* k; I2 e" D
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    + S0 S! s2 ~) ~
16.                 if (!hash.ContainsKey(s))
    2 H0 _, [8 Q! N, |
17.                 {
    
18.                     hash.Add(s, s);
    & B( F2 s$ z9 O6 z" x: H
19.                     list1.Add(s);
    4 p6 u7 B/ `- I7 @" B2 q. y' ^. h
20.                 }
    # p7 R/ y6 y$ v6 T7 E( ^# G
21.             }
    
22.             hash.Clear();
    & u$ k: W2 v. Z$ u& }! C
23.             hash = null;
    3 E6 E: X7 {3 w" m/ D
24.             return list1;
    2 n. a: `! e. ]+ K) s
25.         }
    . B" P1 a8 y! O) ^
26.         #endregion

复制代码

% a8 N1 c4 o( Q# [3 j' }
7 O. T% y4 m. N; F# c# i

guys

李小冲 发表于 2016-2-26 16:17

& S, T8 [! l* }+ \# \. @  ~5 U' C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！！

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
   . Z  K' X  u' Z+ Z6 W  \
2.         {
   
3.             string strWebData = "error";
   
4.             try
   , _6 _" f9 ~" b
5.             {
   " n' B6 u) Z- R9 n% p* |
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   - C! u. m+ `9 Q: R
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
   + p% L1 ]) n7 M8 l& X
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)");
    4 ~: P! s3 s# r4 n; K$ q3 S/ T
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ' \# ?& e* V' C. }
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;
    
16.                 //如果服务器要验证用户名,密码
    ( B, p0 m/ B  f6 V" n
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    5 \) F: e8 k4 i2 b& z& t
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    1 `1 v5 N2 K% T3 @" U
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);
    % j: }8 o* l( X7 u. R8 n
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    # O3 |. g* \( E' \
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    ! N7 W$ w$ k$ H: ?0 N2 _
30.                     charSet = charSet.Replace(""", "");
    9 |3 b# H' v2 q
31.                 }
    / Z' _! |. B5 T* W& V. P
32.                 if (UseUTF8CharSet)
    3 a2 n. h5 g3 S; J! [
33.                 {
    % \( B' W& g! M! B/ u
34.                     if (charSet == null || charSet.Length == 0)
    % }# g* M8 [9 x% A6 h
35.                     {
    . H( [% {7 h9 K  m+ Y
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
      a4 ]% H  \$ \
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
      A5 v% |5 N* A8 c
42.             }
    ! X( ^* m0 u- a) Q1 ?; t- D5 h
43.             catch (Exception)
    9 H8 `2 P- P" l( B8 Z
44.             {
    & m% X! j' I: e% j5 J8 q* _
45.                 strWebData = "error";
    : k  {3 C( y  x1 |5 B& A2 S) u8 O
46.             }
    
47. 
    . C7 W) T9 z4 |1 M
48.             return strWebData;
    ; l$ V  H$ N* w
49.         }

复制代码

8 O1 M! n# C1 c0 ~3 ~/ ~% i$ P
- Q  [: O! b( n- _( s: p( p% _/ K

PowcAncn

weishaneweishane