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：
http://a.com/b
$ ^1 j4 ]$ O8 C/ n" u2 |' i7 Phttp://a.com/bb.html
# c: _2 Y/ K! J; P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.         {
   5 M; W2 w9 j0 j+ b9 X0 t3 t1 f
4.             List<string> allHref = new List<string>();
   
5.             try
     o" j1 h# W$ l% z$ Q: R
6.             {
   0 s# h. u! e0 ]* A- B% B/ P
7.                 string strhtml = soso.getHtml(url, "", true);
   ! M, i( m, t) }
8.                 if (strhtml != "error")
   , s! o6 d9 a3 v  c5 V- {4 a
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    ; Y0 I* K5 F3 R' t3 y/ x
13.                     {
    % u9 ?+ u* G3 O$ L- o1 G* n
14.                         Uri uri = new Uri(url);
    
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    , a/ [4 X0 s9 [2 _- W& z1 m
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    : d4 k! Y" R/ {/ E7 J8 B
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    0 C* C) `9 l! a& D
25.                         allHref.Add(fullUrl);
    ( Z. l- v) F0 ?( }% m7 @
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    . p' i9 w9 W( k" V1 ^
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    ' I+ }* G( h& F, h6 l" \4 o
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    : o& j3 [2 e3 m6 e
30.                     }
    5 G% ?" e! A% z( J! u6 B( _
31.                 }
    ; H9 ^! F3 p! z; D# J. l& u2 j
32.             }
    " e4 H/ W8 d% d
33.             catch (Exception ex)
    
34.             { }
    2 V) X5 J* Z% K) }  h
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

% \. o! W9 d7 F; y) D

1. 
   
2. 
   " w; P. D2 [4 |  [) g
3. 
   3 N: y+ m$ M9 N0 N5 D% i. U
4. #region 数据去重
   7 V, S  n* \& N4 E
5.         /// <summary>
   
6.         /// List<string>去重
   / t! J. l4 |% N( b" `
7.         /// </summary>
   1 s5 k9 g9 P, A, A4 u+ k
8.         /// <param name="list"></param>
   # V$ C" e( O, b3 Q* s7 v
9.         /// <returns></returns>
   / U" f$ e. F0 g
10.         public static List<string> getUnqueList(List<string> list)
    ; E3 y! J6 k1 [" B# W: `$ N- l. C
11.         {
    7 ?( G, t; `2 x6 c
12.             List<string> list1 = new List<string>();
    6 _: T# d& k2 M0 c$ h
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    4 @  ^4 l# _- o& j$ C7 T
15.             {
    9 B. c* N8 b, y( [" `
16.                 if (!hash.ContainsKey(s))
    ' {7 G( x/ W8 v" t' K' C4 z- P
17.                 {
    
18.                     hash.Add(s, s);
    * M6 N* d7 ?/ G4 N% G* P3 l( z
19.                     list1.Add(s);
    2 a& E$ O' I. @* u; |
20.                 }
    
21.             }
    
22.             hash.Clear();
    ' {9 S) I  Z5 s$ ]
23.             hash = null;
    8 Y) ~1 Z) R+ U5 Y1 [5 j
24.             return list1;
    8 J, p  J$ _' ]5 ]) y, |
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

& O/ j* C0 l( H; c+ X8 H( m" L十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
( s# q0 P/ h. P/ ^8 a. L十分感谢！！！非常感谢！！

5 @% r% T# G; P: G! N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.         {
   
3.             string strWebData = "error";
   
4.             try
   ' P  J( P$ m0 |8 @
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   ' q' z# [& L5 }6 i/ [
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
   ( [# }6 Y/ ]; ^, B7 g
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);
    
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。
      |5 z/ j5 @. C; h7 X% x
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    
16.                 //如果服务器要验证用户名,密码
    ( S( C  f; V5 ?* m* h9 }; y% Q  m
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    % ?" n  t. E7 B+ [4 m: ^
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);
    " _4 v. o  u& z( E9 N, x
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    ! t' O- u, b5 t# R+ g! h0 _- Z
23.                 //获取网页字符编码描述信息
    + _8 C$ V- A1 c5 ?4 P
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    , q+ v  m, L3 O  y
26.                 if (charSet == null || charSet == "")
    ! t9 T7 N& @* Z2 P5 d( ]
27.                     charSet = webCharSet;
    
28.                 if (charSet.Length > 0)
    1 w8 Y9 O* C4 K
29.                 {
    
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    
32.                 if (UseUTF8CharSet)
    . a; K0 c; r9 [
33.                 {
    6 X7 a; U' Z% l
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    - {- L2 h  f4 g3 P$ }. D
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    9 y- L4 z- c' x! r7 n' b8 r0 U
46.             }
    # m- r% y- l& N& l) G# \" h. _2 W
47. 
    ' S* l/ ~; c9 Q0 F; B- b: ]! F( p
48.             return strWebData;
    
49.         }

复制代码

7 L# G1 f  h" g2 D: k" d/ l

PowcAncn

weishaneweishane