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
) Q# c$ L5 E9 @; s比如：
+ k. a5 Q" {; A/ r, u- r( K. E5 Yhttp://a.com/b
http://a.com/bb.html
) T# v* `/ P2 M$ I8 L* A能自动去重复
& s$ e  H( y/ e% l7 }2 N

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   . m$ B. |; J* z) f0 Y
3.         {
   
4.             List<string> allHref = new List<string>();
   % Z6 ]- a9 T8 P" C7 N" Z
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   * d# B4 E) g7 m5 l2 V% n
9.                 {
   % G$ n  V9 P! T; _  z; A
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    3 ]/ y8 Q, Z# `1 c3 ~
11.                     MatchCollection mc = reg.Matches(strhtml);
    3 r8 d; [, k$ G2 `+ H" `7 l  ~, o' b3 @
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    / R+ i1 l% D9 t7 t( [+ n6 [
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    , o: o0 |' H. x6 M+ x+ Y# L
20.                         }
    2 d/ K0 b7 Y5 ?6 S" ~
21.                         else
    
22.                         {
    ; k8 x( {7 w+ U0 A; K
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    $ M& P4 Q5 `- t6 }3 T! M9 Z" E9 [
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    6 S1 K" R9 ]5 Z  g$ n1 x
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ! S+ Z% T7 q" L) \& X" J
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    ! |: m# G1 j2 A, e7 Y
31.                 }
    % t# `9 N9 V, I" e2 }# d6 I
32.             }
    ) I6 E5 @( e  B# H5 Z$ x3 q
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    7 S- q9 O1 I% F3 w
36.         }
    & z1 s' z$ c9 n( g' c" s, o, [* D
37.         #endregion

复制代码

1. 
   
2. 
   6 X( u! W) m" H& w: p0 B
3. 
   
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   4 O  |8 w; F) P; ^
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   * T6 E7 s  g( R) Q4 h/ @
10.         public static List<string> getUnqueList(List<string> list)
    4 y' ^( m, A9 Y5 |; y
11.         {
    
12.             List<string> list1 = new List<string>();
    7 v8 t9 d8 Z& k$ t2 [3 v7 j5 w3 K
13.             Hashtable hash = new Hashtable();
    ; a# o" N6 R- I8 j$ k
14.             foreach (string s in list)
    
15.             {
      z. O$ o1 K" x
16.                 if (!hash.ContainsKey(s))
    : d0 d$ t4 l6 b' o7 C
17.                 {
      x0 d  H7 P0 ?) N( Z
18.                     hash.Add(s, s);
    $ }5 l. z' `' Y' n0 H" [6 ]
19.                     list1.Add(s);
    
20.                 }
    9 S  G( s; ]  ]+ w  b  W# M7 [
21.             }
    4 a/ C# N/ ]: T& q6 s# I' l
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

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！！

9 s* y  u# l5 j$ b& x% N缺少一个gethtml,用下面这个：
9 \: r4 i  w1 d# x; ?+ S

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
   # Z2 ~- C  h# m. g4 z
2.         {
     n+ B5 P2 E7 B- k
3.             string strWebData = "error";
   
4.             try
   
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   - U; R1 u8 u+ r5 W" M/ X& ^! `
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
   5 i+ b" M/ i3 H1 C4 w# ^2 N2 H
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   3 F6 U% w) S2 o# L5 x
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)");
    : \1 b6 k$ u& l
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    * s0 a: S2 v+ }# D7 H/ C6 h! I
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。
    ! t  }1 ~3 v4 b5 v* t- b% y& o
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    7 Q9 j  M) H2 v' W6 o: N$ y
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    * j" g0 @6 i/ }0 y  [
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);
    7 ?3 `6 ]9 ]( m! s6 n
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    2 l  F  }8 I& b0 `1 ]3 E
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;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    2 j8 ?" j0 o8 }0 B; b
28.                 if (charSet.Length > 0)
    
29.                 {
    7 i9 @$ {' X" M/ }/ m% K& [
30.                     charSet = charSet.Replace(""", "");
    $ b8 {( q3 H! |
31.                 }
    
32.                 if (UseUTF8CharSet)
    0 b' X& W. |/ [5 X/ w5 _: T) v
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    - K2 w9 k+ C8 |' t- z
37.                     }
    % }% \# K. u: r! m0 q
38.                 }
    8 k* U# m. `1 s& O
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    ' |5 i9 [/ l( }  g) C
45.                 strWebData = "error";
    1 h' `0 Y2 Q- C( u* R
46.             }
    . o8 F$ a- p$ C0 A, Y/ U, F
47. 
    , z! d4 Z6 i( V
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane