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
% b5 b& S  U  w; F' C  i1 J$ d比如：
http://a.com/b
0 b) Z- B3 q- W0 Hhttp://a.com/bb.html
能自动去重复
& F4 `1 a9 W' R( a- R9 X  @

李小冲

1. #region 抓取全站链接
   * `$ }" o9 L0 w" b- G
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   ! ^: ~& ?+ J) E3 n2 l: p
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   + C" \2 g6 N" v- c
8.                 if (strhtml != "error")
   ) y1 n- k9 a. @. d6 Q
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    . U5 B3 S+ N2 I5 I% w
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    , G( ~7 H- t  c- l0 I
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    + D3 G4 I3 Z. A0 d
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    2 }1 u# M$ m5 A  L9 G
21.                         else
    , J( d; s4 U' |- P
22.                         {
    * T' J( ^7 K+ a6 Y7 M$ R
23.                             fullUrl = thisUri.ToString();
    ) \0 {* g6 N9 ]: z4 ]/ [; o5 H
24.                         }
    # E; n" r: y- d+ @9 G9 l4 m: z
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    # t2 ?5 J% J' d
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    4 q% K, w% b, K: O, s% r2 I4 p
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    2 a# @1 s4 ]2 V3 o+ \
30.                     }
    
31.                 }
    % ^/ z$ A5 t3 J' f; X
32.             }
    5 ?/ ]1 D3 u9 j& I. D
33.             catch (Exception ex)
    
34.             { }
    1 ~) H  z6 n. U$ Y, g! o: E
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

# q2 `# y2 z' N
/ V' W4 T6 m- Y

1. 
   5 i8 {* q* p' R* A# y* ^: j" S  w" V% f  P
2. 
   / U+ U1 d* A3 }5 U* N; K+ `1 L
3. 
   9 n, x7 P) E* o+ W, u  L
4. #region 数据去重
     U; U4 r, a+ c- l. Z$ \# X8 t6 J$ P
5.         /// <summary>
   / F% Q: n: L/ R
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
     a/ q7 ?% K; ^. W. C' R! `8 C5 ~  b
9.         /// <returns></returns>
   1 V  T) f# P1 M
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    3 c! i+ T' @; M" L
12.             List<string> list1 = new List<string>();
    " }+ i# R2 A, N% ]. w( ^4 Y
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    + v; F8 ^( Q4 H3 }& d
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    " o: ^  h# D5 R7 T. u
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    6 l" ?, q4 Z: M- J3 @% y2 y
25.         }
    . K' j$ `2 i+ K6 T4 Y9 f
26.         #endregion

复制代码

. {' F/ E# v1 O8 x

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
5 ~, c- \* i6 B! Q十分感谢！！！非常感谢！！

. y5 h5 [, t7 T3 x9 W) y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
   $ d: r/ K2 m% C' M  l  S
2.         {
   
3.             string strWebData = "error";
   4 x: z) k. n) y* u. i1 Z4 I3 _
4.             try
   
5.             {
   7 Q2 A; A6 `' L) |$ n) _2 _4 k' t
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 ~7 \9 U; e; t
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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ( \" Q2 S# u% K5 q& {$ 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。
    . @! S5 ]9 y! T  J5 I  l7 t1 N
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    ( x- g; |, u7 i, j* d
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    4 E" u3 x/ V" ~0 q/ _, L/ I: b5 c
18.                 //myWebClient.Credentials = mycred;
    % k# @- H# \. g/ s
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);
    7 G) {; Q- `. K& `$ S! W1 D
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    + r. Q9 j: a2 ~4 G1 \
23.                 //获取网页字符编码描述信息
    8 l: @( q% g* k
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ! l! Z" V: B* U& |! e* `( }% Q
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    ) f/ r) o4 j' @& G1 D
28.                 if (charSet.Length > 0)
    % d) ?0 h( l+ }5 D) M9 R
29.                 {
    9 t; I! s9 _8 y$ |: @: \! j' a
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    8 a& X6 q" U0 ^- [: U
32.                 if (UseUTF8CharSet)
    
33.                 {
    ( ^: ~. [5 p/ p6 W
34.                     if (charSet == null || charSet.Length == 0)
    & j3 \4 _# ]  K& I" i
35.                     {
    4 ]2 E' c" g8 K" N: r
36.                         charSet = "utf-8";
      b$ p/ a) P. I( C1 K+ ^% f/ X
37.                     }
    
38.                 }
    9 g' p$ K6 K0 a& Q6 L
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    4 p; V+ Q, ^6 G+ `6 d3 B
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    & Z4 o7 j; T7 _" J  `# S2 v; D
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    / w  v2 ^" D* N) x, B
47. 
    ; m) h6 u# j& w9 N6 W
48.             return strWebData;
    : N& f5 n3 q! W
49.         }

复制代码

PowcAncn

weishaneweishane