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
9 g! A3 g) s7 X, ]比如：
http://a.com/b
http://a.com/bb.html
- g2 ?2 j9 U4 b3 D, n能自动去重复
7 s& z2 c* e: q5 K3 n  Y5 B) [# t

李小冲

1. #region 抓取全站链接
   ; w6 ]' O1 W2 H* N3 _
2.         public static List<string> GetAllHref(string url)
     p5 |- |/ i. n5 x# J' m
3.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   & d0 O' q) x* \3 c
6.             {
   ! c: P+ C$ ~9 J' K, G3 j; ~$ M; p  E
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   : X0 C) y/ e3 M5 \- O( {0 ^
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    8 m3 b3 X, A; B" ~
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    5 B& L" m& ~4 L
13.                     {
    
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"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    0 L/ u% u/ o# N7 G
20.                         }
    
21.                         else
    ) C" U- i# W8 [  E* m
22.                         {
    ( e" Y. o) s% P, ^# q
23.                             fullUrl = thisUri.ToString();
    - W4 o2 R: ^* o; C; f1 X
24.                         }
    7 T: ~0 o" {! h7 F" k
25.                         allHref.Add(fullUrl);
    % s  X& L6 E+ p' T' l1 E8 U
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    9 |! j' ]9 X* [- N8 B
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    9 x; Q1 R0 v9 _
37.         #endregion

复制代码

7 G$ d/ x1 w# |8 N2 }5 r
4 \/ C" g  J- a( w% F- ^9 C

1. 
   ! P2 n! g% y% d4 ^$ R3 _! g+ A: D
2. 
   
3. 
   8 {! B0 E/ K) l
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   
7.         /// </summary>
   ! M7 `, N$ d% [2 D2 Z
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    1 I; l6 }9 h3 a( B6 r
12.             List<string> list1 = new List<string>();
    1 e; J* @1 I* O' c$ ~7 ^
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    ( I% ~+ z1 k) k$ }! u
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    8 ^7 M; ^9 D4 S+ s4 U1 F' H
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    2 P; [2 P9 ?& q' p
20.                 }
    
21.             }
    9 C# Y/ I* h9 X4 y) Y8 F
22.             hash.Clear();
    ) J+ a. X( m: h' b" r1 k; }
23.             hash = null;
    
24.             return list1;
    . d7 w/ g& r' H! K1 ^9 r
25.         }
    $ {& K4 T( l5 ^: Y, J
26.         #endregion

复制代码

4 i" d4 e2 l' T; T7 C* X6 C  B

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！！

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.         {
   0 _8 |8 C. w, x+ h7 G: R* y& G
3.             string strWebData = "error";
   ' r0 G' v7 w4 D7 b# `( j; A  B
4.             try
   / a4 N6 b. x; N$ z4 j' S
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   & q' C: }. ?+ Y! 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
   9 R8 T2 [5 Q3 L; \. z$ C
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);
    / Z% E$ x$ I3 N
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    4 x: t% b/ o2 S0 X
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)");
    & R+ N2 h4 H( O: t: b
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。
    ! G2 ~# @. j5 o5 n: j" J& V- N
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);
    
18.                 //myWebClient.Credentials = mycred;
    4 Y" J4 |$ v+ w9 }) F0 F
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    4 R' Z; F4 v' t+ d7 C
23.                 //获取网页字符编码描述信息
    $ P; g" W" o- J. p
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    9 v) W  ^' M, \: {8 W% m
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    
29.                 {
    ( B! l7 o& y0 a' I' r/ b% g
30.                     charSet = charSet.Replace(""", "");
    , ^0 [# t( H# @
31.                 }
    2 T5 [8 b: C0 y5 J4 {
32.                 if (UseUTF8CharSet)
    
33.                 {
    % d% M9 d; }, d8 s: M, c
34.                     if (charSet == null || charSet.Length == 0)
    ( c9 a, R; l$ z
35.                     {
    9 w3 q; _* O: G7 c
36.                         charSet = "utf-8";
    ; f0 r3 Q. ^& e" L1 ?
37.                     }
    
38.                 }
    # {, ?: e9 ]- _3 N/ h- w
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    4 Q" y' R" D9 @7 M! W( ]- q# H
43.             catch (Exception)
    9 P5 Q' T, I  t4 c
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    4 c8 r$ V3 ]' r6 d3 r
48.             return strWebData;
    
49.         }

复制代码

PowcAncn

weishaneweishane