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
2 J6 [* U% G2 i+ `比如：
http://a.com/b
" k5 |0 ~  y3 |* r. J. G* G6 s; ghttp://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)
   
3.         {
   8 g) j/ f2 B$ B7 c8 G( Z
4.             List<string> allHref = new List<string>();
     c+ D" ^7 R! G; n( f3 h  H
5.             try
   
6.             {
   % U1 H0 Y- U# F% r+ ~& p- t
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   / r/ U- v( F/ U8 ~2 G! V
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    8 d% h  F& L* d1 Q
11.                     MatchCollection mc = reg.Matches(strhtml);
    ! l5 \  {' G: c; j
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    ) h$ J' ]' v9 L
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    4 s5 |. c. R) l5 \+ s& I
16.                         string fullUrl = "";
    / w3 B8 o! Y4 p% b7 {) ]5 C
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    : ?5 m( A, z& L* w. Q
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    ( r& q4 W4 v3 t' a. B
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);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    2 ^* H, @7 \+ g7 ]5 E4 F
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    ' ]- T( c# W8 k9 n
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   6 r! B7 j" T7 p8 Z8 F1 ?
3. 
   
4. #region 数据去重
   ' O8 o' `  `4 q3 o/ @
5.         /// <summary>
   
6.         /// List<string>去重
   . k# |0 c% r0 J1 l  {# T5 I
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   ( K& {- O2 C6 W' D5 l
10.         public static List<string> getUnqueList(List<string> list)
    % H% L5 p& ]2 h# e* r$ B! \  x
11.         {
    ! o. X; @% E5 ]. }: a* A
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    2 l. c6 t) |5 g; f1 w1 x' i
14.             foreach (string s in list)
    9 h$ X  r: a: d
15.             {
    / w+ N- P  ]; z, T& B0 ~; B! g
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    ' Z6 E& V! G2 g" C' q/ x
18.                     hash.Add(s, s);
    8 I8 I/ S7 x6 o( _; ]) C
19.                     list1.Add(s);
    4 w* B5 [0 a, J! a: B
20.                 }
    2 c/ b% ^+ B0 u  y0 j  f+ Q! O
21.             }
    
22.             hash.Clear();
    ) ?3 \: Y5 v$ P; {
23.             hash = null;
    1 }  N- U9 U% L; s
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

( {$ p" ]$ m1 G1 J# t

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
9 o/ m& _: Z3 `; c+ I4 L5 f8 x十分感谢！！！非常感谢！！

: X4 [7 K0 d. h9 ]% E# b: B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' S! a( x, m) q+ o! a
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ' o1 ]2 d: c& b  d# Q7 \2 j2 i: X
7.                 // 需要注意的：
   1 e7 f+ h" J2 ~+ P
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
   , b2 Z+ F3 I2 f5 a* _8 x
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   0 m$ _, m; a  E0 a  j! t! T
10.                 // webclient.Headers.Add("Cookie", cookie);
    & S: O  X0 H6 \" t
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ; U! c$ d$ q- U: \+ w
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)");
    ) x# s. c! T) @0 _
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。
    % ~! z4 ~7 S$ ^" M% C; x% M3 D
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    ; E6 r, O8 H8 L; z! o
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）
    ' l: ]) J) p$ @4 p
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    2 @' I) U. s2 ~4 S- J
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;
      ~9 m3 J& F/ u& Q: ]& }
26.                 if (charSet == null || charSet == "")
    , C+ k& R: {% ]3 r4 _- X3 ]/ r
27.                     charSet = webCharSet;
    8 O* h. |" P8 D$ W' ^9 a
28.                 if (charSet.Length > 0)
    . |& @  y5 }+ @1 [: e0 F/ m9 Z
29.                 {
    ! u1 q( B" g* V( O
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    & c, M$ u9 y0 O' @* a
32.                 if (UseUTF8CharSet)
    . T* E7 B! M9 U! C' }/ ~$ L
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    5 t% E0 b+ y$ o& S: i8 I+ U' A( o
36.                         charSet = "utf-8";
    
37.                     }
    6 h- y' Y& t" g8 `
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    + Q9 K( H6 n% x: i# H' R0 ~2 ~
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    - F* S; y% E: S
46.             }
    
47. 
    % l9 N: ~% L' ^/ h
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane