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
% f  {& N! E8 B) W( |, x$ I9 \http://a.com/bb.html
" q3 q& Q6 n' p  ?' S7 @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)
   ! u6 [4 w$ X1 x. l
3.         {
   . ?% [3 ^2 g8 n0 w" t# p  T
4.             List<string> allHref = new List<string>();
   1 z+ R' F3 L6 m; U5 L3 L' i9 ~
5.             try
   
6.             {
     D3 p0 v# t9 f% ~, a3 u
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   & [8 M' _4 c; j9 n* X2 w7 I& s' ?
9.                 {
   
10.                     Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""\s>]+)\1[^>]*>(?<text>(?:(?!</?a\b).)*)</a>");
    / t+ P9 B9 _$ l* g6 ?
11.                     MatchCollection mc = reg.Matches(strhtml);
    
12.                     foreach (Match m in mc)
    * e. l' S8 u; r; K" x$ {
13.                     {
    
14.                         Uri uri = new Uri(url);
    ' n+ b* H- X/ a, T
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    $ z4 L: o! `4 [& F  @. U( x
16.                         string fullUrl = "";
    , [8 O7 ?9 w) j, R4 A: I
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    6 ~7 r! Z" K% l; G- `4 z* Z5 J: v
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    , \8 G/ J; N4 F; ]
20.                         }
    
21.                         else
    
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    4 ]3 M6 ?% Y: \0 j) G" v
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    " S7 J" k. E4 s
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    ( A, P6 I  E) S3 A# t6 i# D+ P- z
32.             }
    
33.             catch (Exception ex)
    & C* {# ~5 I  c8 j8 C/ \" p
34.             { }
    
35.             return allHref;
    
36.         }
      Y( M3 v" W9 H$ _
37.         #endregion

复制代码

1. 
   
2. 
   
3. 
   + u1 P# r6 @. Y0 \1 i( F9 H" ^
4. #region 数据去重
   
5.         /// <summary>
   
6.         /// List<string>去重
   # Z& z* f5 m9 G- n! V
7.         /// </summary>
   
8.         /// <param name="list"></param>
   / r* H: \& [3 M; I: {
9.         /// <returns></returns>
   + s; h; f# T) f. R3 b8 o: @0 {& A
10.         public static List<string> getUnqueList(List<string> list)
    
11.         {
    7 j8 r: N1 R+ u$ B
12.             List<string> list1 = new List<string>();
    " E, S' L8 z7 z* {2 [2 |( ~: s
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    
15.             {
    * J$ x) b; g# P0 m2 U
16.                 if (!hash.ContainsKey(s))
    , n- ~" H" G: f- p6 r
17.                 {
    1 m$ D, o5 F5 |7 x6 z) `
18.                     hash.Add(s, s);
    % t/ C% {& {/ Y) S% \, {
19.                     list1.Add(s);
    $ m2 @% r+ T$ I$ t' D
20.                 }
    ; J" Q: @- ~1 Z6 L8 D1 B$ K
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    9 Y' }6 }1 Y4 C/ H, R
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

3 v3 n# i3 k0 X( F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！！

, q# v' d9 h; l$ m, C  N缺少一个gethtml,用下面这个：
7 n2 X  J" w7 s) ~

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.         {
   . H4 N1 Y7 Q  Q  q
3.             string strWebData = "error";
   - y- o6 _" i7 R; M$ s/ V
4.             try
   8 |/ t( I3 k8 {: `; F* {
5.             {
   
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   4 A  f; Q' e5 s+ H7 X' J, r
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
   8 P6 {  V8 g$ `8 B- V/ V
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
    + R! B6 Y5 |1 T2 `+ \1 j& U
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。
    - P: Q/ F) D/ _' b4 U% y; J
15.                 myWebClient.Credentials = CredentialCache.DefaultCredentials;
    : I) U7 d, U8 f0 l8 T
16.                 //如果服务器要验证用户名,密码
    
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    ( X. e3 d$ B# s& J: F6 Z' V2 k6 d
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);
    - `8 C3 n6 v& d/ c) _0 q% ?7 a8 k- t
22. 
    3 y/ ^; t+ Q- }3 ?% }0 q$ b
23.                 //获取网页字符编码描述信息
    ) h  s: p5 P& X: Q. l+ G
24.                 Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)"", RegexOptions.IgnoreCase | RegexOptions.Multiline);
    9 X+ u% [* k5 d: i/ @
25.                 string webCharSet = charSetMatch.Groups[2].Value;
    ! W$ _8 p. e/ L5 b- \4 T. \4 @  w
26.                 if (charSet == null || charSet == "")
    
27.                     charSet = webCharSet;
    " F3 D, d* u6 n* u- c. G  ~7 F
28.                 if (charSet.Length > 0)
    9 j1 }) w- `& d! M. I, V
29.                 {
    ' w3 u2 c" @0 E+ o& k
30.                     charSet = charSet.Replace(""", "");
    
31.                 }
    ! ~% h$ t% \) C
32.                 if (UseUTF8CharSet)
    5 h$ @* e* }$ r: r3 a
33.                 {
    $ R  X7 e# `- I3 E0 \  T
34.                     if (charSet == null || charSet.Length == 0)
    
35.                     {
    8 ]5 ~* ?! D: G9 n4 u
36.                         charSet = "utf-8";
    ! p: Y+ A) Q. _% H- J( e
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    7 @3 d) V7 Q: T; S
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    . f1 m$ }5 C6 ^# R
42.             }
    
43.             catch (Exception)
    
44.             {
    
45.                 strWebData = "error";
    , p( o9 P9 {9 F/ X
46.             }
    + A1 Z/ x& G1 Q: N0 T$ X
47. 
    
48.             return strWebData;
    
49.         }

复制代码

+ n- ^1 o9 `# ?* ]+ X/ T
8 I/ u0 E* L4 T/ y

PowcAncn

weishaneweishane