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
+ g0 r) p* p! e/ V" F8 h比如：
7 V/ `* A  x8 ^/ o# z$ Bhttp://a.com/b
  o; \) M' @8 [http://a.com/bb.html
8 o) b: t3 }9 w" Y, t8 G& D* y6 }" U能自动去重复

李小冲

1. #region 抓取全站链接
   % I9 ]7 _- [( b! t
2.         public static List<string> GetAllHref(string url)
   " y7 w7 a  A3 }
3.         {
   
4.             List<string> allHref = new List<string>();
   8 l7 _  y" B8 s/ @* N( E
5.             try
   
6.             {
   + m9 `- M. W0 z  ?
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)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    ! g" v8 T( j( V+ u; |& ]
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    ! m+ v: I, ~% p
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    . T0 v2 v1 n2 L& l2 R- p
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    # [) F- K" u3 F+ o& X
20.                         }
    0 v( E" p- A$ Q( R/ N6 S8 M
21.                         else
    - |) P0 Z1 n* e+ G$ b: U" x3 P! _
22.                         {
    ) C3 w( d+ ]2 Z: G* x( w
23.                             fullUrl = thisUri.ToString();
    8 j! T9 Z+ P* O2 ~8 A
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);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    1 j5 B' L$ J. c, s5 ^5 K; x
30.                     }
    . [- e% C; S$ |: L8 r7 z! ^& e
31.                 }
    ! Q; U* U6 ~8 m5 ?* t5 D8 }6 v+ z
32.             }
    4 E. Y. M! S" N9 A+ Z) e; p! s, Z
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    & ~4 |* E% e3 w# k( I
36.         }
    3 W8 p% r) b# K5 ?& z/ v/ |% }
37.         #endregion

复制代码

7 g) Z4 r( s( n9 Y5 f7 X

1. 
   
2. 
   - y/ Y$ J) [4 D6 `. S" N
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   ; l9 b  G- y$ G; [4 W' U4 E6 ^4 U
6.         /// List<string>去重
   9 o9 z2 v. m% I) H
7.         /// </summary>
   9 P2 W6 i$ V0 b5 e/ m  T
8.         /// <param name="list"></param>
   . c3 w- h( Y( m5 |2 ~4 W
9.         /// <returns></returns>
   ) a6 E0 J  f) b" U2 G8 c8 ?
10.         public static List<string> getUnqueList(List<string> list)
    % ?4 w& _2 Y& U: w+ ^
11.         {
    6 }! h0 ?! _. f( `: @( R0 i) K
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    ) m9 {% D' }$ `. d& {; o: f8 B
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    / l* G2 E( M% ?# E3 K$ |$ ?
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    ( S1 L* |; I# ?! M6 s
22.             hash.Clear();
    " k" H: x& b! X. D* P. p
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

2 R6 k' ?- o* j

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
十分感谢！！！非常感谢！！

8 ?* ?* U! f- m0 J, M9 t/ A, B2 {" N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 R- j: ^" p' t; N) w8 u* F; s
2.         {
   
3.             string strWebData = "error";
   
4.             try
   ! ~# P5 z  ]5 g8 f$ Z% y" O' T
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   . D$ u* Z; a) t. d
7.                 // 需要注意的：
   ! H$ H0 F2 F* T) {7 z
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
     `5 K- P% U; O
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)");
    
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    / c; Z9 S4 C. G1 H
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);
    & @  a# y, A# `$ @
18.                 //myWebClient.Credentials = mycred;
    ; w# C8 d6 {! g; m; }
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）
    9 @: j- w  D% F5 {' Z; X( T" k
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    7 v# D! `' H' P
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    2 B7 _& ^5 G) T( D! {
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);
    % S3 F. c: ?& Z
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    " J9 f- Q$ p* g' y- I; I* c
26.                 if (charSet == null || charSet == "")
    3 f4 |. F1 M9 d/ S  \
27.                     charSet = webCharSet;
    2 J: }7 \- V; X, i& J! ~: k
28.                 if (charSet.Length > 0)
    
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    5 L1 R, N2 u3 T9 t! x
31.                 }
    2 d( Z; [' d+ W7 _6 l
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    & A3 B% V2 i* L. s, u. h9 v, Y1 Q
36.                         charSet = "utf-8";
    
37.                     }
    ! f) Z7 g* ~+ V2 m* _6 }# r$ M: s* [
38.                 }
    8 w9 r: Q0 {5 Z) l# S( c; G
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    4 l( R  d- `5 J8 K: n, }
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    ; h# R9 s0 `' X5 T( A2 z9 S5 G
41. 
    
42.             }
    % q+ J; u8 T! l  w0 Y
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    , [: t- P7 `; @, T
46.             }
    
47. 
    : k+ O) k; g' C; b+ `8 N
48.             return strWebData;
    ! `, K) w0 h/ u
49.         }

复制代码

PowcAncn

weishaneweishane