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
1 t6 O! h0 z+ e* C/ x: X. q比如：
) b5 ?+ E* f* {% m) r- rhttp://a.com/b
+ q1 |* l2 M7 w- Xhttp://a.com/bb.html
4 s4 \& X, ~" w+ u7 t2 ?4 D6 y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
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   . R! C( o3 N& I4 \3 O1 r
9.                 {
   3 c: E: Q7 ^! O! u
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    & F  V) c" b7 N
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    , ^( N4 A/ I# ~2 c! J
13.                     {
    
14.                         Uri uri = new Uri(url);
    - [# U( J  y* w! g
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    ! V# _6 |& x2 [" g- J5 V% \
20.                         }
    2 ]1 ]7 Z' W: p7 y; Z, b
21.                         else
    $ n1 b1 t; Y1 f5 ?- R
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    0 J8 `, V7 N5 g: g, `* I& H
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    , l+ x9 V  p% q9 F6 X4 Y
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    * }( ^/ m9 |9 \: e
30.                     }
    
31.                 }
    2 |2 V$ X$ O3 {5 y8 O* k- h7 z
32.             }
    6 G' z7 L! ?8 z9 X, ~" `
33.             catch (Exception ex)
    0 Z9 r+ @0 f, A2 b2 n( {( P
34.             { }
    ) L4 u  ?& i% l( F4 f- R; d& B
35.             return allHref;
    9 \. o8 I/ I/ }5 E5 B
36.         }
    6 F! K( c7 N  o% A
37.         #endregion

复制代码

1. 
     @* w3 c0 T6 A# \
2. 
   ; A0 w6 b. N6 _% m
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   : u  U/ M) ]$ g* G. d% H8 a' \" Z8 h$ i
7.         /// </summary>
   
8.         /// <param name="list"></param>
   " P  y' z- f% S/ y' N' E
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    + i/ Z8 F. }9 E1 m7 |! M4 @
11.         {
    9 J$ E( c# }0 m# p2 J- P6 e4 P% a3 \
12.             List<string> list1 = new List<string>();
    8 k* S+ V, {1 a# [2 m9 C0 E
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    ) L6 i) o/ w( p! e
18.                     hash.Add(s, s);
    7 K9 g2 A4 D- Z# H% Q! j
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    , x3 h9 f. _' n
22.             hash.Clear();
    + M, h8 a1 D% |
23.             hash = null;
    . S6 t2 T  u" t( G$ ]+ E
24.             return list1;
    2 C# S5 J* k) S/ R3 x& Z
25.         }
    ; E4 J% f& N9 p* A# T8 _+ X9 c; }
26.         #endregion

复制代码

6 S9 o& t$ U# O; ?

guys

李小冲 发表于 2016-2-26 16:17

$ ?2 S- c8 G" q$ w  D7 R, {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.         {
   
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   $ s9 l3 [2 p" w5 a. e) ^( K1 g
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
    
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)");
    + I( D" l8 H# B' m- t8 g
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。
    . y( [' q2 `0 O" T7 H% I0 B
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    / r- h2 @9 _  |/ S( M2 G0 k
16.                 //如果服务器要验证用户名,密码
    9 F9 h# l% A; k8 h
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）
    
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
23.                 //获取网页字符编码描述信息
      ^1 I$ R6 [# s9 d% y" K* G& ?
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
      a" }4 a' f) G; F) B! w! _" n2 P: \
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    5 i' \4 i$ d9 \  h0 F
31.                 }
    
32.                 if (UseUTF8CharSet)
    4 \% q) o# e3 @4 g
33.                 {
    * G6 X$ Q5 |+ V
34.                     if (charSet == null || charSet.Length == 0)
    + X7 R  V( y. [* M5 t
35.                     {
    , B) x3 ?* v$ U2 E! Z
36.                         charSet = "utf-8";
    " m, |8 S; c/ _( O
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    " t/ G- P4 h1 Z( k+ C  ?
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    4 @8 {& ~; X& T9 Q, g
41. 
    
42.             }
    7 o" `0 e- ^* F7 C* T
43.             catch (Exception)
    5 w3 m0 Y4 p3 S7 o, J8 [5 z
44.             {
    
45.                 strWebData = "error";
    0 C$ N; `% `! s( }8 x* @
46.             }
    ) Z/ c. A3 R. Z9 L7 F% y
47. 
    
48.             return strWebData;
    
49.         }

复制代码

8 |, r; n0 D5 T

PowcAncn

weishaneweishane