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
6 E& l+ r6 T4 b, Y1 B2 @比如：
% W0 {  z+ ^3 c  ]$ nhttp://a.com/b
http://a.com/bb.html
2 y. |7 v( o9 Z能自动去重复
& H+ D  [" t' Y( H+ N4 l

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   7 C% r; b; v" D; O$ ~
3.         {
   - N( p3 I: _3 H9 q: Y+ ]9 _) N# D
4.             List<string> allHref = new List<string>();
   
5.             try
     ?7 k+ c) ]9 _0 d! K
6.             {
   1 q$ E( e  ?" O5 }! f3 t* `
7.                 string strhtml = soso.getHtml(url, "", true);
   6 F, }  \, m+ l5 N/ E2 ], n
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ( x% I; V0 b0 ~0 c4 ~3 V
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    & F2 ~$ a0 y. b( v% e# {& }' H5 K5 Z% N
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    0 @0 Z# E9 L+ ^- h5 ?: D
18.                         {
    ( {- O! ?% K& y7 d8 o; N7 M
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    3 L# e# _! s( m! f8 l1 s& p
21.                         else
    : X/ b9 A8 R) x: T. D$ P5 x6 ]0 z
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    8 K) H2 V4 \7 G* v; Z! r' ~- }* l
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    : c# [$ X7 ?5 g+ z4 e
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    8 S7 Y/ z+ G4 N5 k5 t7 M
30.                     }
    
31.                 }
    8 E! |, p. U- n: D; {/ w! y, v
32.             }
    
33.             catch (Exception ex)
    # ?, v" S' b9 j: c
34.             { }
    0 i& [/ k1 v2 X4 c  U  |4 L
35.             return allHref;
    1 g& ]. {+ v# z* k
36.         }
    
37.         #endregion

复制代码

8 X( p  x: y- x- w- e& X

1. 
   
2. 
   , d. v8 F6 J: J9 H! m
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   4 g5 w3 r) J2 P2 ~; g; ^! [8 e
6.         /// List<string>去重
   
7.         /// </summary>
   1 F; ?# C3 j3 _. H
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   : n  e$ u7 P0 J0 H% s/ H8 L
10.         public static List<string> getUnqueList(List<string> list)
    ) s/ ~2 o. x& q7 G7 g
11.         {
    
12.             List<string> list1 = new List<string>();
    % R. F4 M$ N* L
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    / e2 }4 U$ g( D5 `5 f0 f& B2 p) r
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    0 Y* |+ u/ z: r; U
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    $ m( e% ], u# S
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    . q3 K& J* o" c7 l1 L
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

' r$ V4 i: S; T7 ^! v: b# |十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
% B* v0 i- j$ I; W( L& e* e' z十分感谢！！！非常感谢！！

8 d  H! {& S9 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
   
2.         {
   
3.             string strWebData = "error";
   - X! n, m& g/ B$ Z
4.             try
   5 N  l& \) I6 M: }3 ^* Z# Z
5.             {
   ) O; I5 V2 ~  t+ W* ~+ y
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
   
10.                 // webclient.Headers.Add("Cookie", cookie);
    # m" T% n6 v9 b
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)");
    3 i" V9 L4 G( D9 t
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。
    2 Q/ O2 {8 K8 x0 |. S; P7 _) b" W
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    " O' N7 M5 V, F# z' E8 q3 S1 R9 n5 Q( a
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）
    2 N9 M9 Q/ l- x& p2 z: q8 ]
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    " i6 b$ L. Y: q0 A7 H
22. 
    6 ~: l- t) Q- p. U& w" H& ]
23.                 //获取网页字符编码描述信息
    2 V1 U7 A: j) x, J
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ! u; x0 \  L* V9 f" u2 s
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    2 t( q% Z# H+ R. v1 Y; ~6 O
28.                 if (charSet.Length > 0)
    2 x* W5 K# A& {
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    6 G1 z6 Y: q  ]4 |$ K- v1 ], d
32.                 if (UseUTF8CharSet)
    
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    ( @* Q$ K4 `3 S
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
      K3 Z5 P1 z) }4 e. u" H
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    1 e1 Q. v; q9 s0 X9 K5 v
45.                 strWebData = "error";
    % p0 K8 f) |, b7 V; v
46.             }
    
47. 
    2 L, r* y  W% Z& Y9 C/ ?* D
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane