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
- C/ v0 Y$ N4 }- k, Y2 e9 G. N. a$ K! L比如：
http://a.com/b
7 R/ ~6 o6 G- g& I7 y; y! J% E, Lhttp://a.com/bb.html
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)
   . C. Y, M, B; f
3.         {
   ( ~) o9 e! E8 m' u
4.             List<string> allHref = new List<string>();
   
5.             try
   4 S1 A: K' m; g  C1 F; q
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   0 f% w. O3 Z( h# t% L5 Q1 l
9.                 {
   2 `$ d! F& V& L6 E# _
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    - A0 }/ J, ~- {
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    3 I% a6 W( K" w/ d+ L% L( d7 s
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    - a1 ]; D2 \, S4 ~" V, {+ T2 Z
16.                         string fullUrl = "";
    
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    5 v+ O; R5 ~! ]; l1 B: o
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    6 ]0 S1 S0 F7 Y* W. Y
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    4 I  Q, N) Q5 b3 |
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    $ ^# ~& x$ i! O; I7 T
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    9 g/ {( S5 G. n2 A0 {
30.                     }
    ; o9 q+ |: ?# C
31.                 }
    $ L7 D- m' a7 P1 w
32.             }
    $ X7 u7 J2 a9 O' x
33.             catch (Exception ex)
    
34.             { }
    $ M3 I0 w1 r' o0 L; \. l
35.             return allHref;
    
36.         }
    8 m  W& a% ^9 d9 ], a- R* G
37.         #endregion

复制代码

8 r- N! z) B5 p# E  ^7 u, ]

1. 
   
2. 
   
3. 
   9 H! P1 W. B% t4 j
4. #region 数据去重
   7 S3 O# _- t5 k5 E
5.         /// <summary>
   # y6 {0 z, n7 N
6.         /// List<string>去重
   + X- G; ?$ Q' |0 M
7.         /// </summary>
   : ?1 T* V3 t, \+ V+ H- ], f3 f
8.         /// <param name="list"></param>
   # ^% j) j5 k1 k7 y- B) o
9.         /// <returns></returns>
     i4 l. |6 t4 n
10.         public static List<string> getUnqueList(List<string> list)
    - t1 C$ N/ m% B4 Q
11.         {
    : ~8 ^+ y8 K4 o% V3 J+ A5 K# T5 `
12.             List<string> list1 = new List<string>();
    / [- T1 ^7 F/ S) A/ d& b
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    7 o/ O! n3 E4 o3 M
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    0 Z% m4 i, o9 i4 `6 T. B) x
21.             }
    $ O/ z2 q4 b6 k
22.             hash.Clear();
    
23.             hash = null;
    $ V9 z! l: P+ p. T
24.             return list1;
    * Q$ O2 R8 T( l
25.         }
    
26.         #endregion

复制代码

+ z+ \/ e% e; s! w/ J9 A
2 a7 \, e! Y' B! F# G! W# |, g

guys

李小冲 发表于 2016-2-26 16:17

4 q% I& Y% ?5 C' \* ]# v十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
  O6 M$ |4 G( t1 V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.         {
   ! D$ N6 ]  \& S. `) j+ y
3.             string strWebData = "error";
   
4.             try
   
5.             {
   ' W* t4 U; R2 J. o$ v
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   4 Q3 ^* N' c$ n
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
   0 g/ P/ v0 C0 z
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   / z6 n: t; w% e0 n
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)");
    2 f9 m+ e, o- V. g' ^/ U' D1 A
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。
    
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    0 T1 R" v4 `2 @, U( E) h
16.                 //如果服务器要验证用户名,密码
    4 y5 A- I' H+ I) y  ^& H% O
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    2 A) J3 a4 v" w, [9 t
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 ]# o, M; O! @3 [( l
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    & ^, S* V9 z# N* ]+ Q- Q
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    + @  ~0 G2 N) }  ?, D- L
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;
    " c3 o  t$ S' }: y4 r' Q
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    9 Q) G% q7 b; [: m
29.                 {
    3 G4 ], b* e3 @' F! [6 }# k1 m
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    
33.                 {
    $ u) q, M2 s8 _8 T! h
34.                     if (charSet == null || charSet.Length == 0)
    3 t  v  b8 J- M6 h9 q4 ]
35.                     {
    
36.                         charSet = "utf-8";
    1 J( D. f$ Y% A8 s
37.                     }
    4 H9 k7 W* D( [7 e
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    " W' Z+ V5 X3 V
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane