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
. {/ R& `# m# [; ]比如：
http://a.com/b
http://a.com/bb.html
3 q6 ^, I4 S0 ^能自动去重复
" w5 L3 G3 _6 G

李小冲

1. #region 抓取全站链接
   ; V8 D- ]! j3 w) D) W
2.         public static List<string> GetAllHref(string url)
   
3.         {
   
4.             List<string> allHref = new List<string>();
   ! v- d& c* d# _- H% j0 F7 Y
5.             try
   
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    ' g) o# I. W' V; e- b
12.                     foreach (Match m in mc)
    ( H  o) P9 W! |0 i; G8 \
13.                     {
    + l9 @) Z  O  q2 ]1 D7 i
14.                         Uri uri = new Uri(url);
    " x* G( \6 V" R% Z5 u8 y
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    8 W7 m& t, _- j* Q
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    + l+ Z4 s/ U% B2 h! V
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    ' f: S" V" j; a6 j' e- t3 F4 |5 G
24.                         }
    
25.                         allHref.Add(fullUrl);
    2 r2 i* g$ u1 M9 E- J
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    . k+ |- E1 _7 s6 q3 [
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    2 j) d' S  Q/ ~& |$ x4 {
30.                     }
    
31.                 }
    * t5 a, I. E1 W3 y7 R9 y
32.             }
    # n, d# d1 b) c/ F
33.             catch (Exception ex)
    5 L$ O, d" _8 v* X2 M
34.             { }
    
35.             return allHref;
    $ M& O- Y  @4 |4 B6 C1 ]) v
36.         }
    
37.         #endregion

复制代码

1. 
   
2. 
   + b, y1 P" I0 g
3. 
   8 V$ S; E( ~8 a
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   " H7 H# m" _& j5 H1 E5 Z) ?# u
7.         /// </summary>
   * p3 R8 ]& H2 Y2 L. I7 |& f
8.         /// <param name="list"></param>
   2 G! F( J- \# P, A# S& ]1 A2 u/ x) G
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    ) f! [' B: ]9 w' N3 f1 L
11.         {
    # G6 i: Z( g% ?0 k# ~8 x
12.             List<string> list1 = new List<string>();
    1 Q8 R8 _) g2 C; M" L
13.             Hashtable hash = new Hashtable();
    ; h0 [6 P) v; _1 p' |5 |
14.             foreach (string s in list)
    , _1 l7 |3 {1 J7 v
15.             {
    # \, U8 R8 p$ n& y& |
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    1 r) R* X$ ^0 x& W. N. j8 i! o6 R$ O
18.                     hash.Add(s, s);
    & e% ~+ M( _# Z, ?. D; U) @
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    
22.             hash.Clear();
    ; |8 B% r1 P9 U' n4 P
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

% w# m0 O" j& D6 z2 @; T
8 J( |: V+ D' l+ @2 m/ m

guys

李小冲 发表于 2016-2-26 16:17

8 P! a0 A' A- W0 e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！！

1 S% J' N. K6 }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
   + d$ y* y" T* T9 i: H
2.         {
   
3.             string strWebData = "error";
   / }2 _1 g0 R" Z: ?4 {! j
4.             try
   
5.             {
   ; {7 L! }3 I( K; w$ K9 F# m
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
7.                 // 需要注意的：
   ! {) d# ~0 p; `( C2 @
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
   % x/ Q' f2 y* h
10.                 // webclient.Headers.Add("Cookie", cookie);
    6 ^& ^' d) F  ?/ l! K/ y
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    : L' h# c3 m4 @- P$ y
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 S7 Z3 L5 b3 r, ~# C
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。
    8 ]$ X) r3 m) k
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    / H) S' U  V( q+ P# Y
16.                 //如果服务器要验证用户名,密码
    + L! i2 X+ c/ W+ d; {+ b- z
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    . b  {# G- m8 F$ C) A. B
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);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    7 P( A% K' K1 ~. x& X
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);
    * G! G3 m: t& p/ q
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    # ~) K" }% v- m2 q, X3 ~
28.                 if (charSet.Length > 0)
    * M0 F, N. Y0 B6 m( [3 W
29.                 {
    # T4 p$ X( o" D
30.                     charSet = charSet.Replace(""", "");
    6 ]" F# W; t: e1 a
31.                 }
    $ r% o9 R5 h3 T, ^
32.                 if (UseUTF8CharSet)
    5 ~/ m" j1 M, X' v1 e
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    / Z' N# b' G/ F+ v* L
35.                     {
    
36.                         charSet = "utf-8";
    8 L& B& F1 D0 J& N: {
37.                     }
    9 W- O( H- k$ V' k1 j7 @
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    : |; G. E/ o$ p: H& W# i
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    2 S" c: r  u% e4 z0 {
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    7 G- A+ w; K: U4 X6 l% i0 r' Z
45.                 strWebData = "error";
    - S& f) Y  @6 c" M2 b) y  R& x, Z
46.             }
      c9 R3 t  m) {+ k% V! C
47. 
    3 c, U6 @7 c7 Q( ?+ m) ~" ~% k) [
48.             return strWebData;
    4 f* O, m0 [, s3 h
49.         }

复制代码

# |/ D9 b7 [0 X6 D' J9 X. `
% H% n) s" V! D# l; p0 t, b  ]9 F! p* |

PowcAncn

weishaneweishane