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
+ j1 o$ j# q4 v8 ]比如：
http://a.com/b
, z7 r# p- i/ M) k2 p# jhttp://a.com/bb.html
# b# R& _' G5 T; x$ b0 f3 C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.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   3 Q+ Q- g, d- X; j8 U$ e
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   # Y& t% E, r3 b9 q. w
8.                 if (strhtml != "error")
   % r7 y2 w1 B9 F
9.                 {
   2 w( \6 m% @4 {2 e+ p1 x
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)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    ' y7 S6 ?6 S! t  ~
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    - _) r: |3 G# {
18.                         {
    8 T0 g. _: Y: F9 ]: D6 z
19.                             fullUrl = m.Groups["url"].Value;
    0 B4 F; @' M( X4 G8 V0 A
20.                         }
    $ d' a+ T# z5 T1 L7 T# x8 a
21.                         else
    " `' d0 h3 B; e) W
22.                         {
    
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);
    4 `: U" K/ u# ]
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    0 N: c( e. e+ S- N) _) z( L
29.                         //Console.WriteLine("…………………………………………");
    4 C* a/ K8 g) w; `' x3 O
30.                     }
    
31.                 }
    . X( y4 j, @$ Z& s7 Q
32.             }
    
33.             catch (Exception ex)
    5 t0 Y; \# l8 K& g, B7 Q
34.             { }
    . }5 G6 A7 Z  w/ m" H
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

0 E. S: ]) a# U' Y: R) X( Z  `

1. 
   
2. 
   
3. 
   2 ]6 _( D; r, w% I; t
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   * X$ x7 ^- ]8 d# F
7.         /// </summary>
   1 w' p) X8 Y! ^, o
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    1 w5 Y7 b2 k2 s+ }" O6 _* k8 }
12.             List<string> list1 = new List<string>();
    / c" T4 B) U# Q4 L( c9 f( [
13.             Hashtable hash = new Hashtable();
    & K4 ~4 n* R: a/ @% k! w$ l  q
14.             foreach (string s in list)
    0 x/ q  g! Z0 y# d) H
15.             {
    ; y4 |: R8 ?" l9 N5 j: U$ ^
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    ; @' i# X& K- B: B
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    , B7 M+ k9 k' r- W5 @
26.         #endregion

复制代码

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
) B0 @2 s' Q: e5 ~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.         {
   ! H# c- M, G# y6 [8 S8 `9 A) G
3.             string strWebData = "error";
     S5 E% U  |! m$ k$ F
4.             try
   4 [9 Y! P" w7 q7 r; h7 q. @" R
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   % L( o; ], n7 p( }7 S6 V! m
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);
    4 E; S9 Y1 C# q3 q8 ]1 |
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    2 J& V! |4 P' T
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)");
    , U4 t* }* w# H0 V; u& C
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    ( s: T5 I6 m, o/ O
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
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    ! q; I" [  @- D1 [
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);
    1 v4 q5 e0 _  N5 y
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
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);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    7 {% r' v* t2 }. G) \/ Z  O
26.                 if (charSet == null || charSet == "")
    ' y" S. A$ x! [0 b; Z. o
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    ) M/ v1 k! |% ?# m- G- F
30.                     charSet = charSet.Replace(""", "");
      M# v( [. ~% O& Q
31.                 }
    
32.                 if (UseUTF8CharSet)
    1 @; H( r' t3 H  R
33.                 {
    0 M0 E' L$ r- W! j+ _: n& Q
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    / o% q4 [; r$ ^2 y% p# a$ F$ u
37.                     }
    2 W! c, x& h$ M7 X
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    - I! n3 R) [! J/ j
42.             }
    + q. _" b  u0 O' S
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    % K+ u# C8 V+ G' y9 H, @$ l
46.             }
    8 @1 R4 Y# N/ _+ G2 @( a
47. 
    : X+ A9 {& r+ E  c! i
48.             return strWebData;
    & \: l" ~8 j4 M, X7 y" \
49.         }

复制代码

5 p. L/ v6 k7 f" H& W& ~1 J

PowcAncn

weishaneweishane