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：
http://a.com/b
3 B4 b3 W7 y* M/ v' Lhttp://a.com/bb.html
$ C0 k% V6 I! x9 _' }: r能自动去重复
+ b7 b+ r9 T; T

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   ! ^! G) a! b3 _7 V$ g  O* Q; X
3.         {
   1 ^2 J5 J4 A( x( u4 J: C& R# k
4.             List<string> allHref = new List<string>();
   
5.             try
   . x# \. s# B2 Y5 R/ `
6.             {
   ' y% k' a! z3 M3 d* t1 {! a% t
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   ! `9 r4 k# |1 N6 P/ o% i$ y; [
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    4 _* l/ ^8 f  |5 o, ]
11.                     MatchCollection mc = reg.Matches(strhtml);
    5 H# Y# S0 P( f; R" p- d
12.                     foreach (Match m in mc)
    
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.                         {
    3 }0 T4 k% d: x! X
19.                             fullUrl = m.Groups["url"].Value;
    : i2 M" h7 |! G! W3 {- w
20.                         }
    : |7 c# f9 I( A, U( R
21.                         else
    2 m" ]- K$ |. \' R! I
22.                         {
    & F( n. r% k" q# K. K7 N8 E0 P3 B
23.                             fullUrl = thisUri.ToString();
    # p$ ~; Y' b, o/ N- V
24.                         }
      n7 O5 S* O' ^8 G( P- y
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);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    % s4 e5 C- P0 a6 o8 e* c$ T$ ^
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    * R/ w3 c( U: f: H" ]* z
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    ) ]* i, F6 o* Q0 K. F* P
34.             { }
    
35.             return allHref;
    
36.         }
    9 |9 n  ~' M2 U; S* [* h$ k
37.         #endregion

复制代码

1. 
   3 o7 I! J# m- ?) k& Q$ P; c
2. 
   , U- a% }- w8 z/ L# n* X
3. 
   
4. #region 数据去重
   7 x: f; ~& g( C; L, z# C
5.         /// <summary>
   
6.         /// List<string>去重
   2 H- W) N- U9 b/ P* b
7.         /// </summary>
   * ?3 {7 k0 i. V; ~3 s
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   $ P) W8 X3 Y4 F$ i" }; K& s
10.         public static List<string> getUnqueList(List<string> list)
    , d( l: z% ~/ q4 {% B( c  r6 k
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    8 F3 y! V0 H8 D' M8 Y3 i5 p# R
14.             foreach (string s in list)
    4 l# a( P& y, z" D  z
15.             {
    ) D) N+ K+ J  p
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    # q' I9 R+ J, h* d  t
20.                 }
    8 W: p1 R" P6 R: Z) [
21.             }
    ) t8 g8 j/ T/ D% P& \; O( j2 ^
22.             hash.Clear();
    ! b1 v) u" M& |- T+ V/ ^2 S
23.             hash = null;
    - I: h( O: ?* @( k6 x
24.             return list1;
    * S" i$ _$ y  m; g; M& {
25.         }
    * |  V8 I( q# G9 t$ w
26.         #endregion

复制代码

0 s3 o0 w8 W. }  q$ \6 @1 ]9 _, d* @

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！！

缺少一个gethtml,用下面这个：
* h# j( E8 R- O

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
   1 U# s8 s9 I" m4 r& V
2.         {
   * g' Z" ?% v! L! B& x7 [9 d
3.             string strWebData = "error";
   . B5 ]9 n3 d! V: e
4.             try
   " c& }8 C$ ?* l7 E" ~
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
   
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   1 W* D, e/ e4 |9 s1 {( h( N& D
10.                 // webclient.Headers.Add("Cookie", cookie);
    " j, c  S% L' q0 r" x0 j
11.                 //这样可能需要一些重载方法。根据需要写就可以了
      F7 c1 `% x1 H3 G# 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)");
    8 z$ q0 A2 T  d: A3 }- X
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    3 K6 n, m; M3 N+ E7 L
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
    / ^- c: K7 Q5 R* @& P. ~" x( t
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    + T/ Q3 `' s# a$ s1 s" O
18.                 //myWebClient.Credentials = mycred;
      {) T2 c9 w$ A8 l# V" I, B
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）
    6 v" z/ g; z  o, N) s1 V& S
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    4 }! {$ r6 m% X. i  v" w4 i$ [
22. 
    
23.                 //获取网页字符编码描述信息
    $ E1 n2 p& G5 a2 N& }5 i
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    % B/ ?: E, D& W
26.                 if (charSet == null || charSet == "")
    9 G: f1 ?6 w+ b& U, b
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    - M* k/ o* ?* Y. {) o
29.                 {
    " U# i) g$ Q+ z% R$ W
30.                     charSet = charSet.Replace(""", "");
    3 [* o% c& {# j( a3 M$ X5 E
31.                 }
    
32.                 if (UseUTF8CharSet)
    1 Z) |4 C( e6 g" z  l/ }% H
33.                 {
      Z+ ]% K9 k' U9 s9 ~' [
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
      w) m9 I6 t* N6 i& I
37.                     }
    7 q+ B, N: J3 C0 |( Y9 g- c
38.                 }
    6 {0 [5 x3 r/ \9 I! q- y
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    $ V6 N! m( k2 s( m. n3 Q: Z
45.                 strWebData = "error";
    
46.             }
    0 `" O9 R& ?9 n% @# M
47. 
    
48.             return strWebData;
    $ U- i/ w7 K% R4 a( n
49.         }

复制代码

. g3 k8 Q) L( ^% y+ \

PowcAncn

weishaneweishane