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
比如：
4 B" ?2 G0 e, c1 f% V* `# n8 ~5 A: @http://a.com/b
http://a.com/bb.html
能自动去重复
5 Q/ h$ d. N( V+ W4 ?

李小冲

1. #region 抓取全站链接
   # X' N# p- W' V- X1 J
2.         public static List<string> GetAllHref(string url)
   0 d  X. t& A' i$ l* V
3.         {
   5 d& a4 `: l" Y. x  w
4.             List<string> allHref = new List<string>();
   
5.             try
   5 T4 \! ~4 k* v, K2 u1 k- S
6.             {
   ) v$ O. w$ f- F. U, l
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   6 _  k( a5 N! V6 z5 `0 }4 T
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    " T: q7 d. r) l7 w
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    
13.                     {
    , o1 `0 P+ \* I- j
14.                         Uri uri = new Uri(url);
    % s- Y3 C! L: w8 G% d% J2 u4 a
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    , `) m* ?% ]6 y8 W$ J, q
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    & @4 Q- S/ \  [
19.                             fullUrl = m.Groups["url"].Value;
    # A2 m/ U& `/ S) ^7 Q, K6 P' _* P( W
20.                         }
    
21.                         else
    
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);
    1 O! E# {1 ^) P- E" U
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    ) f. x! y) F, Q3 i7 p6 U# X
29.                         //Console.WriteLine("…………………………………………");
    9 \1 v  B. c/ Q) h" h
30.                     }
    5 h) C- y# y* F) S# P
31.                 }
    1 @1 d6 k9 S' {7 B& D5 D1 X3 K! L
32.             }
    
33.             catch (Exception ex)
    - H, j( d9 |5 }6 t+ Z
34.             { }
    4 p: V/ Q( u. `2 z. B9 H3 r. f
35.             return allHref;
    
36.         }
    ' \6 u! Y, m6 C" U
37.         #endregion

复制代码

2 X' g/ X, D/ g4 ?  x  Q
, d; q. _, h; B2 h" k# W$ M

1. 
   
2. 
   
3. 
   6 V- f, K* f/ K: |9 x8 Q+ X
4. #region 数据去重
   / ^7 ~: R; p7 B6 W3 m, ~5 `6 h
5.         /// <summary>
   & T. N+ Z1 U- s+ Y
6.         /// List<string>去重
   . o# k8 y* D' h) k0 x1 M; g
7.         /// </summary>
   $ b0 h) V% u* a% K5 H
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   " z! ~+ n" j. u+ S  w" K/ E, }6 o
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    $ `6 X3 E1 X1 q9 P- y: g  E$ B
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    ; s7 Q0 N! ?3 V" ~+ @; q
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    / w8 A- i$ w2 ]
20.                 }
    
21.             }
    0 `2 r  G* h1 @! j3 j
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    ' s. Y: F  M9 S! d/ ?" w6 H9 \% m: H
25.         }
    
26.         #endregion

复制代码

- t+ [9 X+ [. h  L7 w* m

guys

李小冲 发表于 2016-2-26 16:17

8 u- \* t' R4 _" x% Y' [0 D十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
4 S$ v6 }1 r  ~& @4 Z8 E十分感谢！！！非常感谢！！

缺少一个gethtml,用下面这个：
4 z! ?8 v5 T( B

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";
   0 c3 a" K4 ~! K# X! k
4.             try
   " D) C+ J" F3 E% V3 W; o
5.             {
   - p2 r" `/ \2 B
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
   ' @& F( T4 _% V$ C: H* t
10.                 // webclient.Headers.Add("Cookie", cookie);
    + f( {" e4 E! d$ \1 H
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)");
    
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;
    " I; i) P$ x! m4 K2 e* u. d
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;
    6 f2 K: l. }, z* \
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）
      z" B" E1 l( A) e, s( B$ _$ J# a1 |
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    , V8 w8 Q4 Z8 Y3 X  u
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    1 e* `3 h# z9 u) u3 t
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;
    5 X- p1 [6 I5 g  \* U0 K1 \
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    * V# ?/ Q* ^1 P  b* Y' o
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    , Z9 ]# |  {! j) e2 \# E; a- g
31.                 }
    * c/ ]  ?' I" y( u+ H9 v/ R
32.                 if (UseUTF8CharSet)
      m7 }% @. J6 {5 A# `
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    2 m3 t& Y/ ^  J( Z3 s
37.                     }
    
38.                 }
    ' O  b7 o$ o" D: @) L& g- O6 J
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    ) L+ T+ {6 c/ z; c
43.             catch (Exception)
    $ L/ f( B8 C. g( }6 q/ p0 c
44.             {
    
45.                 strWebData = "error";
    
46.             }
    
47. 
    * H4 G1 p7 c, [& A5 d
48.             return strWebData;
    7 K6 _- D3 W4 R7 U, |* S0 p) d, k
49.         }

复制代码

# z6 F; o3 b; M

PowcAncn

weishaneweishane