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
! d$ h% d: H3 u" ?. {& ohttp://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)
   * c1 B* @$ {1 e, _# x
3.         {
   ( g1 n6 v( J4 e) }/ m0 B3 V
4.             List<string> allHref = new List<string>();
   - Y$ Z* m; `% r7 l
5.             try
   $ n: H% A6 E' W$ f$ @. u* C8 I
6.             {
   
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   
9.                 {
   # [; M7 d3 s' w3 M: z9 H/ V9 W. q
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    ( L& m* ^( n$ d2 I% l
11.                     MatchCollection mc = reg.Matches(strhtml);
    ) w: G+ v4 y: V3 p6 R
12.                     foreach (Match m in mc)
    ( Y/ C/ L- c8 ]  a( z
13.                     {
    
14.                         Uri uri = new Uri(url);
    4 Z. G( ^. I! R7 e
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    
16.                         string fullUrl = "";
    6 @" U7 h) H' C8 d$ [
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    
21.                         else
    
22.                         {
    9 f) |' P+ X9 n( A
23.                             fullUrl = thisUri.ToString();
    1 y5 B. |: s; k9 @
24.                         }
    # j5 `, ]5 {6 ^
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);
    ; W% K. f( L6 K1 t
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    & Y1 e* b: Z2 p6 {! x
31.                 }
    
32.             }
    % Y2 w# v0 A' J2 M- X
33.             catch (Exception ex)
    
34.             { }
    
35.             return allHref;
    
36.         }
    
37.         #endregion

复制代码

5 Q5 V' w7 j! y" `8 y& w

1. 
   4 W7 Y" H. ], r
2. 
   5 ?8 x0 n8 k" t$ J" o! {. t7 f
3. 
   
4. #region 数据去重
   ; j" x/ @) V" Y5 U
5.         /// <summary>
   
6.         /// List<string>去重
   ( d( r1 T3 n; Z7 |. E
7.         /// </summary>
   
8.         /// <param name="list"></param>
   
9.         /// <returns></returns>
   # Q8 k: G2 D2 E( k4 L% ^4 Z( e( G
10.         public static List<string> getUnqueList(List<string> list)
    1 ]8 k) c- e  q3 C8 `' f% p  O) Y
11.         {
    
12.             List<string> list1 = new List<string>();
    4 P$ Y4 }1 _$ H: w4 Z: \
13.             Hashtable hash = new Hashtable();
    9 U1 D. d& t* B2 u$ Q  w! F5 Z" I
14.             foreach (string s in list)
    4 E7 z+ `/ f2 b8 z6 I/ e3 T
15.             {
    # Z6 I- a8 _. J8 h' [
16.                 if (!hash.ContainsKey(s))
    
17.                 {
    8 k7 L: X( b+ R. E' v
18.                     hash.Add(s, s);
    % j; {9 H, t( n8 p0 K
19.                     list1.Add(s);
    
20.                 }
    " {: I- O* t: f  g
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    + Y$ @, }3 t3 ~1 ^9 C) }  s
26.         #endregion

复制代码

* \& `5 E, z: F/ P1 g8 y+ N
6 v/ w6 w, R2 [# A. ?  y9 F

guys

李小冲 发表于 2016-2-26 16:17

" z/ d9 U& F+ G8 K0 J十分感谢！！！非常感谢！！

李小冲

guys 发表于 2016-2-26 16:20
$ U+ t; B0 ]  G% ~6 @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
   4 V, |! ^) b3 F% e/ c
2.         {
   - B4 n8 X2 _% U' v* c
3.             string strWebData = "error";
   
4.             try
   / |) S! ~. \0 F3 Q7 I# g- Y. H/ v5 h
5.             {
   4 d/ z7 k0 c' l: N# v" }
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   " q( M% v: H  y
7.                 // 需要注意的：
     L3 o7 r9 y4 O
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
   ! s1 F, ?$ m+ S1 k% B
9.                 //这是就要具体问题具体分析比如在头部加入cookie
   : }- F: ^- d: b; |2 |
10.                 // webclient.Headers.Add("Cookie", cookie);
    0 }7 T6 S, ?* C4 m+ [3 T- r( c
11.                 //这样可能需要一些重载方法。根据需要写就可以了
    ' W% U  ?& @* V
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)");
    8 j$ M0 M7 M8 g! D, P
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    4 r, p1 I1 v" R) Y
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;
    ) |; T" c  H# R8 t  F' q( D/ \
16.                 //如果服务器要验证用户名,密码
    3 w0 v8 o7 u2 \; d
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    % o; O7 Q% \5 w8 {, H$ P% H
18.                 //myWebClient.Credentials = mycred;
    / l- m" f2 f9 B* Q+ G8 ?
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);
    * c" L, {  t% z. G
21.                 strWebData = Encoding.Default.GetString(myDataBuffer);
    
22. 
    
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;
    ' o: N7 M. F! h1 `% b5 w
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    3 S  ~  T$ A& ], A7 U
28.                 if (charSet.Length > 0)
      |( X3 I+ X! Y. v7 X/ X
29.                 {
    0 I& X* k6 N7 z! m
30.                     charSet = charSet.Replace(""", "");
    ; n8 Z/ e0 r$ d$ F6 O% i
31.                 }
    " k1 m) _3 ~: H7 E8 D
32.                 if (UseUTF8CharSet)
    5 Q( m7 m* \9 H* _
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    % h" P  S; c3 o* ^$ p
35.                     {
    ( Z" e3 Y- c/ W. y
36.                         charSet = "utf-8";
    
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    2 K4 K; @& T6 j2 E9 e6 G) C# E
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
      i3 g( N! P& L( ]
42.             }
    0 A( k. l" T- t& y2 L
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    * {  v( J/ ], H5 a$ P% S
46.             }
    + f* q+ q- S: `: Y& O. C
47. 
    % J4 x, g4 A' ]! r5 |) @
48.             return strWebData;
    
49.         }

复制代码

# r4 S& M- w  O/ |

PowcAncn

weishaneweishane