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：
0 z  z: k( y  ?8 c' }8 v3 ]0 ]http://a.com/b
0 c( s8 z0 C5 f, Dhttp://a.com/bb.html
能自动去重复
3 U5 l# P' j% K7 |) u

李小冲

1. #region 抓取全站链接
   " g' y9 m, B- c. A7 I1 F8 t  A6 y
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   % V( T1 S$ G2 D+ q
6.             {
   ' F1 [9 C9 c9 d9 P
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
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)
    " _- u2 Y$ T9 _! K2 b. t
13.                     {
    # L. X4 s9 D/ K
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
      e+ W% y$ C* y/ L; h6 T9 A
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    ( I5 }9 f: }' U
20.                         }
    . ?( {. ^; A0 U2 G1 i1 Y2 [
21.                         else
    6 I* M+ j( m7 Y% l
22.                         {
    , M9 I0 h) e/ u! E& l( E2 Y% d7 u
23.                             fullUrl = thisUri.ToString();
    ' [4 H& J' T% s. ?4 k' K' P
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    / y' i5 d9 S0 n8 @2 X$ g
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ' v/ z! E. Y" b4 S/ e3 x- E
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
      L, I8 v3 s* U1 J. c
34.             { }
    % U/ J! t6 D  A4 b( ~  E: Z1 H
35.             return allHref;
    / E! [/ {( b7 D, B3 B* M
36.         }
    
37.         #endregion

复制代码

5 o( P4 ]9 ~/ a6 w% l: j
" f5 G& p, p, J, J  H) a

1. 
   . [  [4 [' ^4 ~% s
2. 
   
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   % P: h$ V9 r- C/ b; d
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   " ?6 \/ m5 m9 |5 ?; w
9.         /// <returns></returns>
   * {8 m; `$ k) ]- W& M2 J
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    : w' }* _: C; B4 n- f' L
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    & j- L4 x( b' k- I/ l& y& O
16.                 if (!hash.ContainsKey(s))
    : o/ J1 J! t0 n$ J
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    * z) Z. j" @" T. [
21.             }
    # n) i7 a) Q$ y' ~) k/ l, q- r$ r
22.             hash.Clear();
    $ R" s6 L5 a  z" s4 e
23.             hash = null;
    7 d7 C1 |- r  @
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

6 \; @3 A; ]! s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！！

4 d7 Y* S0 v/ O; U/ ?+ I; h缺少一个gethtml,用下面这个：
% Z- @. J1 F  u. h9 H

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
   % X/ ~( M  c- a" L2 B1 Q
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   7 A2 m1 S0 X1 i: x0 r) B
7.                 // 需要注意的：
   # k& O4 `' J7 O
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
   : l% S& I% a$ D. V
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);
    & H) v" l1 d# Y+ B% j0 W
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ' q& f6 e0 h+ G4 q" B
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 i: t2 S! B& p. y0 w
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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    " w, _: {: L9 D: }+ A6 l  I
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    5 b0 }+ Y& V! y& t# A. m  s; `  s+ F
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）
    * z# v$ o' H, V1 N9 E
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    7 `, S: [  {) I  x3 _
22. 
    . ~6 V* v: B) E* D- [
23.                 //获取网页字符编码描述信息
    6 b. y. `( k# t
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    + b: U) q3 P$ r; V' w# d$ X
27.                     charSet = webCharSet;
    + r$ \0 \9 i  c+ M) o* ^, {
28.                 if (charSet.Length > 0)
    
29.                 {
    - G% t! X% p1 D* A/ D! D; U) o
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    * F0 ^3 \- m1 V. X& ^1 S% y% B/ q
32.                 if (UseUTF8CharSet)
    ' E( P; b8 R* V2 T
33.                 {
    & l4 _5 n8 `: m0 c7 ?" y
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    8 I. c) Y5 W( p" ?, ~
36.                         charSet = "utf-8";
    - \5 w8 C5 r% e
37.                     }
    5 }: b: ?2 |9 Z1 p0 Z" T5 e4 G
38.                 }
    4 t9 g+ X) W4 |( Y* V3 [/ F8 h
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    / y0 Y7 k: Z) k0 ^% w. i
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    8 R8 O, R2 t3 u. q
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    1 g$ c  ^7 k3 {, ^) m' C% F
46.             }
    . k9 c. v. T7 o$ k& n  w% K
47. 
    
48.             return strWebData;
    
49.         }

复制代码

1 J2 \0 k/ w# ^; t
! }/ L; |% v9 `! Y

PowcAncn

weishaneweishane