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
) M, d. z: f8 B% H# j, b# H比如：
http://a.com/b
9 q4 c" {4 c- ?# l: phttp://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.         {
   
4.             List<string> allHref = new List<string>();
   
5.             try
   ; c- o" u: Q& _; h1 f, X5 n; V* }
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   # o. Z+ n! O+ g. o/ i1 a
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
      H. r2 _; G7 n9 S7 M+ y' {
12.                     foreach (Match m in mc)
    
13.                     {
    
14.                         Uri uri = new Uri(url);
    . K5 S8 E4 \+ J+ z3 L) P( g' c
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    ! J6 o  S6 ]9 A: ^( Z3 f/ m! W7 s
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    ' ~+ x6 w* [0 w) L3 l, \2 Z% i
20.                         }
    ; v3 ?: ]. g- ~2 s# |/ i- @
21.                         else
    
22.                         {
    3 Y6 l6 f5 `2 S' f, l; X# o
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    & |  r* g8 m4 P4 {. r& E( y% V
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    + E$ q& S& K; a5 n8 u0 p
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    3 A- c/ o8 V0 i! E" p" |
32.             }
    
33.             catch (Exception ex)
    ) H0 T* p" {/ D8 h- E- _# _" L& K
34.             { }
    
35.             return allHref;
    , i& ]  N/ C+ r
36.         }
    
37.         #endregion

复制代码

1. 
     K8 M0 _6 U3 b  N4 _! a
2. 
   
3. 
   1 Y3 ~% M1 ^  f4 q% m5 N7 }
4. #region 数据去重
   2 b# h& ~0 N# ]7 M
5.         /// <summary>
   0 V: U# f0 j9 K. Q: g4 i: y) z8 r+ ?
6.         /// List<string>去重
   5 I. l' i$ t# T, i
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   & K* Z7 X: w9 T4 E& O
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    8 J$ w# |! ^4 l0 V
12.             List<string> list1 = new List<string>();
    
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    
16.                 if (!hash.ContainsKey(s))
    ' N& |" w: t+ O, G. e
17.                 {
    
18.                     hash.Add(s, s);
    
19.                     list1.Add(s);
    
20.                 }
    
21.             }
    ! r3 V. V: L% p- @( n4 ]
22.             hash.Clear();
    4 {: y5 [  V4 s; ]: S8 q
23.             hash = null;
    ' c6 M1 y/ Z5 _! @8 s& t7 [
24.             return list1;
    & S7 \6 l- \9 K% I# k1 r* `
25.         }
    " |7 \9 A: n0 t% C7 |/ K
26.         #endregion

复制代码

& j+ U: t; e- g% M/ x

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
   + P. A1 b' o7 `, K) b# l
2.         {
   ! G* r3 N0 A- b: @# {
3.             string strWebData = "error";
   $ G4 |2 `- F5 J# f4 c4 m
4.             try
   
5.             {
   8 W, e* ^& E, C+ P2 N% Z" J! ]
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   - B% ^( s+ }- x) l7 H  O  E5 b! ?
7.                 // 需要注意的：
   & y% U" x2 F4 D
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
   7 I3 L; s' ~6 o5 @" N
10.                 // webclient.Headers.Add("Cookie", cookie);
    " H% C# W/ u, `
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    6 m. K& l& r3 n: z
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)");
    ; n6 q6 Y1 o" k* c1 b! M
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。
    6 Z2 }2 T' O" ^
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;
    
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）
    . H. J6 M9 q8 r. z( z/ s+ t( A  J
20.                 byte[] myDataBuffer = myWebClient.DownloadData(url);
    
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    7 _9 @# N5 s" `+ b; m
22. 
      [- u; z4 w& I0 p
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);
    5 r2 g" }- M- q5 s; R* x# k6 q
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    
26.                 if (charSet == null || charSet == "")
    ) V% ?- ?; y/ x3 L$ w; r
27.                     charSet = webCharSet;
    1 k. ]: a6 y$ f% u
28.                 if (charSet.Length > 0)
    ( b6 i* _% k; Z9 z
29.                 {
    7 g7 t% N9 q5 }  ~9 E6 o' b8 Z
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    & }# ^' g! h! w+ e3 P& Q; Q
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    ' \) I) _4 h) L/ C( ]
35.                     {
    , p* T# Q! q2 u9 T( m# p& O
36.                         charSet = "utf-8";
    
37.                     }
    % [: K# R4 t1 z. R! V' u- j* ]
38.                 }
    $ Z7 |" H; S) M4 ^) p% `% y
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    6 z2 M! @3 ]; c' S
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    & p& Y6 f; T) q7 A! F) @8 G" b! n1 S
41. 
    
42.             }
    3 P5 Y: y( W" b' w5 l1 ^' N
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    
46.             }
    5 h& i3 g: Q1 S: l( ~7 N0 Q7 G$ `
47. 
    2 c! [6 J* e7 k& @3 ~4 y+ V
48.             return strWebData;
    
49.         }

复制代码

4 E: i% a: D( l; L6 s3 \

PowcAncn

weishaneweishane