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
7 L( g3 r  I# N2 o比如：
* z1 x  q! K2 x5 T/ y* Q7 i4 jhttp://a.com/b
http://a.com/bb.html
; l9 M0 ?3 P, J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)
   . k% o! G% [* ]$ c$ J) e
3.         {
   
4.             List<string> allHref = new List<string>();
   % H5 O: Q1 Q7 i% z8 g
5.             try
   
6.             {
   2 A$ N( F9 `' i: s
7.                 string strhtml = soso.getHtml(url, "", true);
   0 b1 o- m  s; c' @3 F# w" ]* o
8.                 if (strhtml != "error")
   
9.                 {
   & f" b0 R+ j# |) y6 r* }
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)
    : F. B' M4 T3 L/ z; t3 a  ^
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    . L6 s$ }  F% }) W% w
16.                         string fullUrl = "";
    9 U/ U8 P2 l$ G' e
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    4 n& R& {- q: O
18.                         {
    ( l# S; Z; F2 n
19.                             fullUrl = m.Groups["url"].Value;
    ) z) I, {1 k3 o* g/ m  `
20.                         }
    3 T: ~; l8 L% Q! ^3 n; `
21.                         else
    7 I8 @: ^7 E2 G& |' k. c
22.                         {
    - R6 I% b  j6 e
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    * y4 v( y0 J9 p/ y, v
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ' u2 S5 }1 f( @* m2 w7 H
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    % h, ^; H2 w) Y- D
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    9 }- p5 r) n$ O
32.             }
    1 @0 _0 b) H5 @. j; v
33.             catch (Exception ex)
    
34.             { }
      D; j! w; v' M/ F
35.             return allHref;
    . ?, F' L- ^8 ]- d
36.         }
    0 |: f1 X2 @  y
37.         #endregion

复制代码

  k' [. m& g3 C* A

1. 
   
2. 
   / G) T9 Q/ t* E2 `; ^( i/ Y
3. 
   
4. #region 数据去重
   + U* ~1 \* o+ J0 t7 J3 f8 R
5.         /// <summary>
   
6.         /// List<string>去重
   3 h; b- b7 I( z2 [# c" y
7.         /// </summary>
   , E4 i9 O; O! k4 B* F
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   7 S+ b/ E" A1 f8 ~
10.         public static List<string> getUnqueList(List<string> list)
    + b& G# G5 N9 k9 M
11.         {
    & `- e* K, ?  V" {2 H, k
12.             List<string> list1 = new List<string>();
    " j1 [7 W% E  Z0 A3 ?: [
13.             Hashtable hash = new Hashtable();
    # x% n- {* a& ]# W! U4 l  t5 @) `
14.             foreach (string s in list)
    5 W5 f0 `* a! ?/ [# Z. i
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    - b! b. |2 M" j7 Y5 r' ?: w
18.                     hash.Add(s, s);
    6 P& n: Z! B9 N1 r) e+ }" ?
19.                     list1.Add(s);
    + T: q) n, n6 T+ y* H
20.                 }
    
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    , d& |  L7 w2 v1 F
24.             return list1;
    
25.         }
    8 k, q; L* h9 w9 k! w3 B/ C
26.         #endregion

复制代码

2 e# U' C5 F% g3 y' a$ ]/ N' R5 l4 P

guys

李小冲 发表于 2016-2-26 16:17

0 n4 B4 Y+ `( [9 K& n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
   
2.         {
   7 ~8 C/ z" i6 _1 s2 z8 P1 K
3.             string strWebData = "error";
   7 e# a- [, J+ ^: O4 F, @
4.             try
   ; N6 }# s. B1 P9 o# m3 Q# d, c1 {, V
5.             {
   " [: y5 [# ~& L- I
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   0 O" \& ^! b3 H+ q9 c, L8 l
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
   
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
    1 L0 G, P1 E, u: W7 E
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)");
    ! h! y, q! n) V! m
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    # }* [4 Q6 [% s3 D
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。
    ( U6 M. |: I/ o& R( M
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    
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）
    3 t; Y$ k) f( ]1 v" o. V3 j  P; o
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    0 I& W( k0 N+ [0 J" f4 Z
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);
    ! q! t4 C( G' ?
25.                 string webCharSet = charSetMatch.Groups[2].Value;
      d4 i3 Z$ {, C7 s  a" B' z  p
26.                 if (charSet == null || charSet == "")
    * j  Y0 E6 `* R) }8 H9 R
27.                     charSet = webCharSet;
    * \: @; T4 Z/ x; ]3 q
28.                 if (charSet.Length > 0)
    
29.                 {
    9 q9 c; b$ X- K
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
      ?5 b4 d: f3 i$ j; [6 q
32.                 if (UseUTF8CharSet)
    , R' \* K4 o7 c
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    / L2 o  o2 I) {; ~* Q3 C
35.                     {
    
36.                         charSet = "utf-8";
    $ l9 X- Y, U" L( }, X
37.                     }
    " N6 K! c( S& v
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    " L, \! E# c% c( M+ ~
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    9 a* _7 [5 R$ Z
42.             }
    ( }0 I/ C  Y: o: B! D. ]
43.             catch (Exception)
    
44.             {
      h; j% H1 x( ^* L) o8 V
45.                 strWebData = "error";
    ; O) c5 I. l& i8 f6 r% g
46.             }
    / E  @4 x# @& J
47. 
    
48.             return strWebData;
    5 u3 g3 z6 u3 n+ ~4 X
49.         }

复制代码

# m1 H- T. Q% B9 `
0 N+ q! S% F: J2 _$ ?

PowcAncn

weishaneweishane