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：
  O; E! @# j4 Fhttp://a.com/b
http://a.com/bb.html
* J7 E9 G) Y* V1 R0 v能自动去重复
; I, b( y& p: F; F5 l: p) }

李小冲

1. #region 抓取全站链接
   
2.         public static List<string> GetAllHref(string url)
   
3.         {
   4 Z6 S5 \& ]2 t* k( R
4.             List<string> allHref = new List<string>();
   6 @# j# x/ N, Z
5.             try
   ' K8 o/ }( X  d+ q3 M
6.             {
   9 x! R  A% R& c6 G9 f* g
7.                 string strhtml = soso.getHtml(url, "", true);
   
8.                 if (strhtml != "error")
   ' C$ O! U- `5 G0 u! m
9.                 {
   ) u1 v; y9 W3 P" [
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)
    
13.                     {
    & C. \4 K+ e. v3 R
14.                         Uri uri = new Uri(url);
    ; U& w, k( _& Z3 z/ r- O1 ]
15.                         Uri thisUri = new Uri(uri, m.Groups["url"].Value);
    5 s$ P0 a! u; u
16.                         string fullUrl = "";
    " Q! ^2 O1 k  p# l$ W0 v! s
17.                         if (m.Groups["url"].Value.StartsWith("http"))
    
18.                         {
    
19.                             fullUrl = m.Groups["url"].Value;
    
20.                         }
    * w5 Z; J- k' H. l
21.                         else
      ~. c: ^( w5 M/ Z) Q# [4 `' f
22.                         {
    
23.                             fullUrl = thisUri.ToString();
    - G) _; d' J2 ?
24.                         }
    
25.                         allHref.Add(fullUrl);
    
26.                         //Console.WriteLine("原链接：" + m.Groups["url"].Value);
    % D+ U) q. x$ S8 n3 h, ^) r$ e! y9 U
27.                         //Console.WriteLine("文本标记：" + m.Groups["text"].Value);
    
28.                         //Console.WriteLine("补全链接：" + fullUrl);
    
29.                         //Console.WriteLine("…………………………………………");
    
30.                     }
    
31.                 }
    / @$ B8 ]$ ]; N' n3 H; m. X
32.             }
    
33.             catch (Exception ex)
    
34.             { }
    , P" K4 h9 V% ~6 F9 @5 s9 G
35.             return allHref;
    0 ~; F" c1 L9 P- L9 x& E
36.         }
    
37.         #endregion

复制代码

' B9 p0 r/ j$ Q1 D" ~
/ F* Z1 q) a, q2 d8 T8 j

1. 
   % F2 o% q' |5 T% x2 ]
2. 
   + X- h( Q5 `' N
3. 
   9 M! N% f3 V3 w/ W2 [& C
4. #region 数据去重
   # s$ ~9 R9 d6 J: n7 g; T* K5 G
5.         /// <summary>
   2 D" r2 F$ {, ~) P% p) c5 V
6.         /// List<string>去重
   
7.         /// </summary>
   
8.         /// <param name="list"></param>
   . d! A4 E9 D. ]6 l9 o  C8 [
9.         /// <returns></returns>
   
10.         public static List<string> getUnqueList(List<string> list)
    1 B4 H+ n. E" j
11.         {
    
12.             List<string> list1 = new List<string>();
    ) k3 D) [2 h4 M2 R+ W1 w
13.             Hashtable hash = new Hashtable();
    
14.             foreach (string s in list)
    $ G8 W  F1 \0 n1 [0 k7 Q( I
15.             {
    
16.                 if (!hash.ContainsKey(s))
    ) U9 i' Q4 C+ M; p3 Q2 E, ]
17.                 {
    
18.                     hash.Add(s, s);
    3 }  T. r- A, _' x7 X1 x1 ?
19.                     list1.Add(s);
    
20.                 }
    ! a( O1 C. G( V0 {; C" e* H* q, j
21.             }
    
22.             hash.Clear();
    
23.             hash = null;
    
24.             return list1;
    
25.         }
    
26.         #endregion

复制代码

guys

李小冲 发表于 2016-2-26 16:17

4 j. q; Z& V% O; \0 @) G- L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！！

: K. v1 Z# h8 k# M* q缺少一个gethtml,用下面这个：
& e0 y/ _: P9 q2 B3 M7 u

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
   . x; s& A2 j0 Q9 o& I/ b/ W
2.         {
   4 z( M: ~( \0 x- U" t3 M2 M
3.             string strWebData = "error";
   
4.             try
   
5.             {
   7 [2 j2 L- l) }2 V& ~
6.                 WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
   
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
   
10.                 // webclient.Headers.Add("Cookie", cookie);
    6 _/ B6 y9 u9 F. l+ j
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)");
    ! W( t; T. O7 i+ n: d2 Y. \
13.                 //myWebClient.Headers.Add("User-agent", "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)");
    3 f. p. A3 k" Z+ @* W
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;
    
16.                 //如果服务器要验证用户名,密码
    ( [9 X8 i6 o# `8 ^; y) N, [
17.                 //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
    
18.                 //myWebClient.Credentials = mycred;
    " {: k; w* r8 K
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);
    7 e( [( j. L' `# y& H
22. 
    9 R5 Q  q& w# R, P8 o: f
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;
    
26.                 if (charSet == null || charSet == "")
    0 D6 W) P. R. m! {) m: d( t" Y, E2 A8 W
27.                     charSet = webCharSet;
    9 |5 s6 f) T% X7 w7 L0 Q
28.                 if (charSet.Length > 0)
    
29.                 {
    ' o1 ^% n2 Y& r  B" L
30.                     charSet = charSet.Replace(""", "");
      t- T7 B$ U. u
31.                 }
    ' p- h. b* g- w) i$ I$ k
32.                 if (UseUTF8CharSet)
    5 |3 X8 I1 ~# a! e( u
33.                 {
    
34.                     if (charSet == null || charSet.Length == 0)
    - I# n+ n: C) Z% P" t/ ~. v
35.                     {
    " w9 t' w5 Y8 m: o, @" H2 D
36.                         charSet = "utf-8";
    # C7 u3 f8 ^: A9 J- u& N6 |/ I
37.                     }
    
38.                 }
    
39.                 if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
    3 O# ?* b. C+ t! H0 T
40.                     strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
    
41. 
    
42.             }
    8 L4 @: W! t0 `" G  K: C
43.             catch (Exception)
    0 `  y1 ?2 n" z% ?: Y
44.             {
    ! y3 D* B& n0 q6 n9 S, f; W
45.                 strWebData = "error";
    ; ]5 Z6 Q. G) Z% t
46.             }
    
47. 
    * }; }, Q8 ]$ x" z. C( Z/ {$ J
48.             return strWebData;
    
49.         }

复制代码

$ ?+ `9 W1 ]& ?

PowcAncn

weishaneweishane